系統性 投資

+

時間序列與動態時間規整匹配 這並非投資建議。 該信息提供的信息僅供參考。 在時間序列匹配後，我用一對一的映射到查詢（電流模式），並引用（歷史時間序列）之間的計算距離。 下面的圖表可視化這一概念。 的距離為垂直線的總和。 映射1的時間序列到另一個的另一種方式是動態時間規整（DTW）。 DTW算法尋找查詢和參考之間的最小距離映射。 下面的圖表可視化一對多映射可能與大田。 要檢查是否有簡單的一之差，以一對一的映射和DTW，我將尋找那些過去10年的歷史類似SPY最最近一次涉及90天的時間序列匹配。 下面的代碼加載歷史價格從雅虎未婚夫，設置的問題，並計算了使用系統投資者工具箱的歷史滾動窗口歐幾里得距離： 接下來，讓我們檢查使用動態時間彎曲距離的前10場比賽。 我將使用動態時間規整實現從大田包。 這兩種算法都產生了非常相似的比賽和非常相似的預測。 我會用這些預測作為一個受過教育的猜測，以市場行為向前發展。 到目前為止，它看起來像市場不會是想在全油門，在未來22天。 要查看這個例子的完整源代碼，請在bt. test. r看一看bt. matching. dtw. test（）函數在GitHub上。 多資產回測。 旋轉交易策略 我想用回測庫中的系統性投資工具箱. The迴轉交易策略切換整個投入的時間分配，討論轉動交易策略的實施，投注幾個排名靠前的資產。 例如，排名可以基於相對強度或動量。 轉體交易策略（或戰術資產配置）的幾個例子： 我想用在ETF屏幕的ETF部門戰略後推出的策略來說明旋轉交易。 每個月，這一戰略投資到21 ETF的排序由他們6個月收益的前兩名。 為了減少營業額，在隨後的幾個月中，ETF持倉的，只要這些ETF是在頂部6級保管。 在我們能夠實施這一戰略，我們需要創建兩個輔助程序。 首先，讓我們創建一個將選擇前N個位置每個週期的函數： 接下來，讓我們創建一個將選擇前N個位置的每一個時期，並保持他們，直到他們低於KeepN排名功能： 現在，我們已經準備好使用回測庫中的系統性投資工具箱來實現這一戰略： 有許多方法來改善這一策略。 下面是更多的方式來考慮一個樣本列表： 考慮各種排名的方法。 即 1/2/3/6/12月回報率以及它們的組合，風險調整後的排名。 為了控制虧損，並提高性能認為是由M. 麥嘉華（2006）的定量方法戰術資產配置提供的定時機制。 考慮不同資產的宇宙。 包括交易所買賣基金不那麼相關的其他資產，比如大宗商品，固定收益，與國際股市。 例如，看看在單一國家國際戰略職位。 唯一的邊界就是你的想像力。 我也建議你的戰略發展過程中做敏感性分析，以確保您不會過度擬合數據。 要查看這個例子的完整源代碼，請在bt. test. r看一看bt. rotational. trading. test（）函數在GitHub上。 使用期Garch波動率預測交易 量子金融家寫了一篇有趣的文章，機制轉換系統中使用波動率預測。 本文提出了一種優雅的算法，均值回歸，並根據市場波動的趨勢跟踪策略之間進行切換。 兩個模型進行檢查：使用一個歷史波動率，另一條使用GARCH（1,1）波動率預測。 該均值回歸策略建模與RSI（2）：長時，RSI（2），以及短，否則。 趨勢跟隨策略建模與SMA 50/200交叉：當長SMA（50）＆GT; SMA（200），和短否則。 我想說明如何實現這些想法用在系統投資者工具箱中的回溯測試庫。 下面的代碼加載從雅虎未婚夫的歷史和比較了購買性能和使用回測庫中的系統性投資工具箱保持，均值回复，以及趨勢跟踪策略： 接下來，讓我們創建一個策略均值回复，並根據歷史市場波動趨勢跟踪策略之間切換。 接下來，讓我們創建一個GARCH（1,1）波動率預測。 我會推薦閱讀以下文章的人誰願意找什麼GARCH是所有關於或更新自己的知識： GARCH（1,1）由大衛·哈珀有很多的可視化圖表的一個很好的介紹性文章。 在單變量GARCH模型實際問題由Y. 沙拉比，D爾茨一步擬合GARCH（1,1）模型，完全R代碼的操作示例。 基本介紹量子金融家GARCH是一系列帖子說去到GARCH和EGARCH的細節和假設。 有幾個R程序包，以適應GARCH模型。 我會考慮從T系列從fGarch包包和garchFit功能GARCH功能。 從TSERIES包GARCH功能是快，但並不總能找到解決辦法。 從fGarch包garchFit功能比較慢，但並收斂更加一致。 為了證明我創建了一個簡單的基準GARCH功能和garchFit功能之間的速度差： 該garchFit功能是平均6倍GARCH功能慢。 因此，預測波動，我會嘗試使用GARCH功能時，它可以以其他方式找到一個解決方案，並garchFit功能。 現在，讓我們創建一個策略均值回复和基於GARCH（1,1）波動率預測趨勢跟踪策略之間切換。 使用GARCH的切換策略（1,1）波動率的預測進行比使用歷史波動率一個稍微好一點。 有很多不同的方法可以採取合併的預測到你的模型和交易策略。 R有一組包非常豐富的建模和預測時間序列。 下面是我發現有趣的例子： 市場預測2011年和2012年帕特·伯恩斯採用GARCH（1,1）來校準別人的市場預測的意義。 ARMA模型交易由普通投資者是一系列職位，說明如何使用預測ARIMA和GARCH模型第二天的回報。 奇妙的新博客TimeSeriesIreland在及時組合使用EGRACH建立交易模式。 預測在R：失敗的Ljung的盒最偉大的快捷方式使用ARIMA模型來預測GDP。 要查看這個例子的完整源代碼，請在bt. test. r看一看bt. volatility. garch（）函數在GitHub上。 日曆策略：月末 日曆策略是網購的售價為預定的日子，預先知道很簡單的策略。 今天，我想展示我們如何可以很容易地在周圍月末幾天調查的性能。 首先讓載入歷史價格從雅虎未婚夫SPY和計算SPY perfromance在為期一個月的結束。 即 戰略將在接近30日開多頭頭寸，並在接近31號賣的地位。 請注意，上面的btn. share電話，我設置do. lag參數為零（默認值的do. lag參數之一）。 其原因默認設定等於之一是由於信號（交易決定）使用所有目前可用信息中導出的，所以位置只能實現第二天。 即 然而，在情況下，日曆策略沒有必要滯後信號，因為以商品天預先已知。 即 接下來，我創建了兩個功能，以幫助信號創建和測試策略： 以上，T0是在30日的購買和銷售月31日曆策略。 即 位置僅保持在月底的一天。 P1和P2是事先買了一天前兩天相應兩種策略。 N1和N2是後買每天兩策略和相應後兩天。 N1的策略，買31賣1日下月似乎是工作最好的間諜。 最後，讓我們來看看實際的交易： P2的戰略進入位置在月底前關閉3天，並退出在本月月底前收盤2天位置。 即 性能是由於月底前只有2天的回報。 有了這個職位，我想展示我們如何能夠輕鬆地使用系統投資者工具箱學習日曆策略的表現。 接下來，我將演示日曆策略應用到各種重要的日期。 要查看這個例子的完整源代碼，請在bt. test. r看一看bt. calendar. strategy. month. end. test（）函數在GitHub上。 隨機指標 我碰到的鏈接約翰·埃勒斯紙：為有效的交易策略的預測指標。 在閱讀Dekalog博客。 約翰·埃勒斯提供了一種不同的方式來平滑價格，並納入新的過濾器進入振盪建設。 幸運的是，EasyLanguage易語言代碼也提供了，我能夠把它翻譯成R. 時間序列匹配 這並非投資建議。 該信息提供的信息僅供參考。 你想知道什麼是SP 500會做在接下來的一周，一月，一季？ 做一個猜測的一個辦法是找到歷史時期相似，目前的市場環境，並檢查發生了什麼事。 我將這個過程的時間序列匹配，但你會發現稱為技術模式和分形相似的技術。 要獲取有關分形一番風味，以下是兩篇文章，我最近讀到的分形： 我建議你閱讀下面的文章有關的時間序列匹配，以了解不同的方法： 我將使用在介紹如何使用魯克讓 - 羅伯特Avettand-Fenoel文章找到類似於間諜最最近一次涉及90天的時間裡一系列比賽，以加快模型部署的簡單方法。 下面的代碼加載歷史價格從雅虎未婚夫，設置的問題，並計算了使用系統投資者工具箱的歷史滾動窗口歐幾里得距離： 接下來，讓我們選擇最好的10場比賽中的SPY歷史查詢模式： 接下來，讓覆蓋所有匹配的查詢模式，並檢查他們的歷史業績賽后發生了： 接下來，讓我們總結所有表中的匹配性能： 時間序列匹配分析可以被用來使一個受過教育的猜測哪些SP 500會做在接下來的一周，一月，一季。 這種猜測是基於歷史數據，也沒有保證，歷史會重演。 在接下來的文章中，我將研究其他距離測量的時間序列匹配和我將顯示動態時間規整的一個例子。 要查看這個例子的完整源代碼，請在bt. test. r看一看bt. matching. test（）函數在GitHub上。