시계열 예측 거래 전략
시간 시리즈 예측.
시계열 예측은 선형 회귀를 사용하여 지정된 기간 동안 가장 적합한 라인을 계산합니다. 이 줄은 앞으로 사용자가 정의한 시간대로 표시됩니다.
미니 다우 선물 계약의 아래 차트는 시계열 예측 지표를 보여줍니다.
위의 차트는 시계열 예측 라인이 앞으로 어떻게 플롯되었는지를 보여줍니다 (위의 예에서 7 일).
일반적으로 거래자들은 가격이 빗나 갔을 때 가격이 시계열 예측 선으로 돌아갈 것으로 기대할 수 있습니다. 따라서 막연한 잠재적 구매 신호는 가격이 라인보다 낮을 때 발생할 수 있으며 가격이 라인보다 훨씬 높을 때 잠재적 인 매도 신호가 발생할 수 있습니다. 그러나 가격이 라인과 얼마나 차이가 나는지는 매우 주관적입니다.
유사하고 틀림없이 우수한 기술 지표는 선형 회귀 곡선입니다 (선형 회귀 곡선 참조).
QuantStart.
빠르게 성장하는 소매점 퀀텀 트레이더 커뮤니티를 지원하는 Quantcademy 개인 회원 포털에 가입하십시오. 당신은 당신의 가장 중요한 퀀트 트레이딩 질문에 대답 할 준비가되어있는 지식이 풍부하고 마음이 맞는 퀀트 트레이더 그룹을 찾을 수 있습니다.
퀀트 트레이딩에 관한 나의 eBook을 확인해보십시오. 여기서 저는 파이썬 툴로 수익성 높은 체계적인 트레이딩 전략을 만드는 법을 가르쳐드립니다.
Python 및 R을 사용하여 시계열 분석, 기계 학습 및 베이지안 통계를 사용하는 고급 거래 전략에 관한 새로운 전자 책을 살펴보십시오.
2014 년 1 월 8 일 Michael Halls-Moore 작성
이 연재 기사에서는 금융 시계열을 예측하기위한 통계적으로 강력한 프로세스를 만들 계획입니다. 이러한 예측은 자동 거래 전략 그룹의 기반이됩니다. 시리즈의 첫 번째 기사에서는 모델링 방식과 시장 방향을 예측할 수있는 분류 알고리즘 그룹에 대해 설명합니다.
이 기사에서 우리는 파이썬을위한 기계 학습 라이브러리 인 scikit-learn을 사용할 것입니다. Scikit-learn은 많은 기계 학습 기술의 구현을 포함합니다. 이렇게하면 우리 자신을 구현하는 데 많은 시간을 절약 할 수있을뿐만 아니라 자체 코드에 의해 도입 된 버그의 위험을 최소화하고 R과 같은 다른 패키지로 작성된 라이브러리에 대해 추가 검증을 할 수 있습니다. 우리 자신의 맞춤형 구현을 생성해야하는 경우 (실행 속도면에서)
예측 프로세스.
통계 기계 학습 분야에 대한 자세한 설명은이 기사에서 다루지 않습니다. 로지스틱 회귀, 선형 판별 분석 및 2 차 판별 분석과 같은 기술을 활용하기 위해 몇 가지 기본 개념을 설명해야합니다.
감독 학습 기법.
감독 학습 기법은 예측 변수 (예 : 주식 시장 수익률 또는 거래량)를 나타내는 $ x_i $ 및 관련 변수를 나타내는 $ y_i $와 함께 알려진 튜플 $ (x_i, y_i) $, $ i \ in \ $ 집합을 포함합니다. 응답 / 관찰 변수 (예 : 오늘 주식 시장 수익). 이 상황에서 우리는 예측에 관심이 있습니다. 미래 예측 변수를 감안할 때이 예측 변수의 반응을 추정하고자합니다. 이것은 변수 간의 관계에 더 관심이있는 추론에 반대되는 것입니다.
이 기사에서 우리가 사용하는 모든 알고리즘과 앞으로 고용 될 많은 다른 알고리즘은 감독 학습 도메인에서 나온 것입니다.
예측 정확도 측정.
우리가 관심을 가지고있는 특정 클래스의 클래스에는 바이너리 분류가 포함됩니다. 즉, 특정 일의 수익률을 "Up"또는 "Down"의 두 가지 버킷에 할당하려고 시도합니다. 생산 예측 자에서 우리는이 예측의 크기와 실제 값에서의 예측 편차에 대해 매우 우려 할 것입니다.
이러한 경우 우리는 Mean-Squared Error, Mean Absolute Deviation 및 Root-Mean-Squared Error를 사용하여 예측 정확도를 추정 할 수 있습니다. 문헌은 예측 정확도 측정에 대한 수많은 다른 예를 제공합니다.
이 경우 우리는 히트 율 (히트 율)에 관심을 둡니다. 히트 율은 단순히 예측자가 정확한 예측을 달성 한 시간의 비율입니다. 나중에 예제에서는 혼동 행렬을 사용하여 클래스별로 예측 성능을 결정합니다. 또한 앞서 언급 한 가치를 계산하여 거래 조사 프로세스에 반영합니다.
예측 요인.
예측 방법론은 예측 변수로 선택된 요인만큼이나 우수합니다. 주식 시장 지수를 예측할 때 선택할 수있는 잠재적 인 요소가 엄청나게 많습니다. 이 기사에서 우리는 현재 비율 반환의 시간 지연에 요인을 제한하기 위하여려고하고있다. 이것은 가장 좋은 예측 인자가 아니기 때문에 쉽게 얻을 수있는 데이터 세트를 예측하는 과정을 직접적으로 보여주기 때문입니다.
예측 요소 선택은 예측 자의 가장 중요한 요소는 아니지만 매우 중요합니다. 간단한 기계 학습 기술조차도 잘 선택된 요인에 대해 좋은 결과를 산출 할 것입니다. 그 반대는 흔하지 않습니다. "문제에 알고리즘을 던지면"예측 정확도가 떨어집니다.
이 예측자를 위해, 나는 현재 주식 시장 방향에 대한 예측 변수로서 수익률의 첫 번째와 두 번째 시차를 선택했습니다. 이는 상대적으로 임의적 인 선택이며, 예를 들어 추가적인 지연이나 거래 된 주식의 양을 추가하는 등 많은 수정의 범위가 있습니다. 각 요인의 예측 능력을 입증 할 수있는 통계적 테스트가 있지만 일반적으로 모델에서 예측기를 적게 사용하는 것이 좋습니다.
로지스틱 회귀, LDA 및 QDA를 사용하여 S & amp; P500 예측
S & P500 지수는 미국 주식 시장에서 시가 총액 기준으로 최대 500 개 상장 기업의 가중 지수입니다. 그것은 종종 주식 "벤치 마크"로 간주됩니다. 지수에 대해 추측이나 헤지를 허용하기 위해 많은 파생 상품이 존재합니다. 특히, S & P500 E-Mini 지수 선물 계약은 지수를 거래하는 매우 유동적 인 수단입니다.
이 절에서는 하루 $ N-1 $에 알려진 가격 정보만을 토대로 하루 $ N $의 종가 방향을 예측하기 위해 세 가지 분류자를 사용하려고합니다. 상향 방향 이동은 $ N $의 종가가 $ N-1 $의 가격보다 높다는 것을 의미하며 하향 움직임은 $ N-1 $보다 낮은 $ N $의 종가를 의미합니다.
50 %의 히트 율과 낮은 오차 및 좋은 통계적 유의성을 통해 움직임의 방향을 결정할 수 있다면 우리는 예측을 기반으로 기본적인 체계적인 거래 전략을 수립 할 수 있습니다. 이 단계에서 우리는 가장 최신의 기계 학습 분류 알고리즘에 관심이 없습니다. 지금은 개념을 소개하고 있으므로 일부 기본 방법으로 예측에 대한 토론을 시작하겠습니다.
로지스틱 회귀.
우리가 고려할 첫 번째 기술은 물류 회귀 (LR)입니다. 여기에서는 LR을 사용하여 이진 범주 형 종속 변수 ( "Up"또는 "Down")와 여러 독립 독립 변수 (느린 백분율 수익률) 간의 관계를 측정합니다. 이 모델은 특정 (다음) 날이 "위"또는 "아래"로 분류 될 확률을 제공합니다. 이 구현에서 확률이 0.5를 초과하면 매일을 "Up"으로 지정했습니다. 다른 임계 값을 사용할 수는 있지만 간단히하기 위해 0.5를 선택했습니다.
LR은 물류 지수 ($ L_1 $, $ L_2 $)에 따라 "Up"일 ($ Y = U $)을 얻을 확률을 모델링하기 위해 물류 공식을 사용합니다.
동일한 설정에서 음의 확률을 생성 할 수있는 선형 회귀와 달리 $ L_1 $ 및 $ L_2 $의 모든 값에 대해 $ [0,1] $ 사이의 확률을 제공하기 때문에 물류 함수가 사용됩니다.
모델에 적합하도록 (즉, $ \ beta_i $ 계수를 추정) 최대 우도 법이 사용됩니다. 다행스럽게도 LR 모델의 피팅 및 예측 구현은 scikit-learn 라이브러리에서 처리합니다.
선형 판별 분석.
다음으로 사용되는 기법은 선형 판별 분석 (Linear Discriminant Analysis, LDA)입니다. LDA는 LR에서 물 론적 함수를 사용하여 예측 변수 $ L_i $에 대한 응답 $ Y $의 조건부 분포로 $ P (Y = U | L_1, L_2) $를 모델링하기 때문에 LDA와 다릅니다. LDA에서 $ L_i $ 변수의 분포는 베이 스의 정리를 통해 얻은 $ Y $와 $ P (Y = U | L_1, L_2) $를 따로 따로 모델링합니다.
본질적으로, LDA는 예측 변수가 다 변수 가우스 분포로부터 유도된다는 가정하에 발생합니다. 이 분포의 매개 변수에 대한 추정을 계산 한 후, 매개 변수를 Bayes 'Theorem에 입력하여 관찰이 속한 클래스를 예측할 수 있습니다.
LDA는 모든 클래스가 동일한 공분산 행렬을 공유한다고 가정합니다.
나는 예측을하기 위해 필요한 분포 또는 사후 확률을 추정하기위한 공식에 머물지 않을 것입니다. 다시 한번 scikit-learn이 이것을 처리하기 때문입니다.
이차 판별 분석.
이차 판별 분석 (Quadratic Discriminant Analysis, QDA)은 LDA와 밀접한 관련이 있습니다. 중요한 차이점은 각 클래스가 이제 자체 공분산 행렬을 소유 할 수 있다는 것입니다.
결정 경계가 비선형 일 때 QDA는 일반적으로 더 잘 수행됩니다. LDA는 일반적으로 학습 관찰이 적을 때 (즉, 분산을 줄여야 할 때) 더 잘 수행됩니다. 반면에 QDA는 교육 집합이 큰 경우 (즉, 분산이 덜 우려 할 때) 잘 수행됩니다. 둘 중 하나를 사용하면 궁극적으로 바이어스 - 분산 트레이드 오프가된다.
LR 및 LDA와 마찬가지로 scikit-learn은 QDA 구현을 처리하므로 매개 변수 예측 및 예측을위한 교육 / 테스트 데이터 만 제공하면됩니다.
파이썬 구현.
이 예측자를 구현하기 위해 우리는 NumPy, pandas 및 scikit-learn을 사용할 것입니다. 이전에이 라이브러리를 설치하는 방법에 대한 자습서를 작성했습니다. 나는 코드 자체에 대해 많은 논평을하였으며, 따라서 무엇이 일어나고 있는지 쉽게 확인해야한다.
첫 번째 단계는 관련 모듈과 라이브러리를 가져 오는 것입니다. 이 예측 자에 대한 LogisticRegression, LDA 및 QDA 분류자를 가져옵니다.
라이브러리를 가져 왔으므로 이전 일 수 (기본값은 5)의 지연된 백분율 수익률을 포함하는 판다 데이터 프레임을 만들어야합니다. create_lagged_series는 Yahoo Finance에서 인정한 주식 기호를 사용하고 지정된 기간에 걸쳐 지연된 DataFrame을 만듭니다.
다음 도우미 함수는 중복 된 코드를 제거하여 각 모델에 대해 hit_rate 비율을 작성하도록 설계되었습니다. Logistic Regression, LDA 및 QDA 객체는 동일한 방법 (적합 및 예측)을 사용한다는 사실에 의존합니다. 적중률은 터미널에 출력됩니다.
마지막으로 __main__ 함수와 함께 묶습니다. 이 경우 우리는 2001 년부터 2004 년까지의 수익률 데이터를 사용하여 2005 년에 미국 주식 시장의 방향을 예측하려고 시도합니다.
코드 출력은 다음과 같습니다.
Logistic Regression과 Linear Discriminant Analyzer는 모두 56 %의 적중률을 얻을 수 있음을 알 수 있습니다. 그러나 2 차 판별 분석기는 두 가지 모두를 향상시켜 60 %의 적중률을 산출 할 수있었습니다. 분석 된 특정 기간 동안, 이는 선형 분석에서 지연된 요인과 잘 포착되지 않은 방향 사이의 관계에 약간의 비선형 성이 있다는 사실 때문일 가능성이 큽니다.
따라서 우리가 미국 주식 시장을 부분적으로 예측할 수 있기를 희망합니다. 이 예측 방법에 대한 몇 가지주의 사항이 있습니다.
피팅 오류를 줄이기 위해 교차 유효성 검사를 사용하지 않았습니다. 생산 예측 자 (producer)는 이러한 분석을 강력하게 고려해야합니다. 예측가는 2001-2004 사이의 데이터에 대해서만 교육을 받았습니다. 보다 최근의 주식 시장 데이터는 실질적으로 다른 예측 정확도를 가질 수있다. 우리는 실제로이 정보를 교환하려고 시도하지 않았습니다. 특히 우리는 실제로 어떻게 거래를 수행 할 것인가? 우리는 미국 전자 미니 기술을 사용할 것인가? MOP (Market-On-Open) 또는 MOC (Market-On-Close) 주문을 활용할 계획입니까? 또한 거래 비용을 고려해야합니다.
후속 기사에서는 이러한 문제를보다 깊이있게 고려할 것입니다.
임의 예측에 대한 경고.
이 절에서는 예측자를 다룰 때 통계적으로 유의미한 문제를 강조하고 싶습니다. 위에서 요약 한 예측 자 외에도 표준 정규 분포에서 무작위 추출의 부호만을 토대로 한 "예측"시리즈를 생성했습니다. 같은 기간에 53.4 %의 예상 히트 율을 기록했지만이 시리즈를 생성하는 데 사용 된 방법은 본질적으로 동전 던지기와 다르지 않습니다! 예측 과정을 수행 할 때마다 항상 명심해야하며, 고려하지 않을 경우 위험한 거래 실적으로 이어질 수 있습니다.
다음 기사에서는 인공 신경망 (ANN) 및 지원 벡터 기계 (SVM)와 같은 고급 감독 비선형 예측 분류기를 고려할 것입니다. 우리가 처분 할 수있는 기계 학습 기술의 "안정적"으로 인하여 우리는 앙상블 방법을 사용하여 예측 정확성과 견고성을 생성 할 수있게되며, 이는 개별 예측 자의 경우를 초과 할 수 있습니다.
양적 거래 시작하기?
QuantStart 목록을 구독해야하는 3 가지 이유 :
1. 퀀트 트레이딩 레슨.
계량 거래를 시작하는 데 도움이되는 힌트와 팁으로 가득한 무료 10 일간 코스에 즉시 액세스 할 수 있습니다!
2. 모든 최신 내용.
매주 나는 퀀트 스타트에서 모든 활동의 포장을 보내드릴 것입니다. 그래서 당신은 결코 다시 글을 놓치지 않을 것입니다.
현실감 넘치는 퀀 트레이딩 팁.
QuantStart.
빠르게 성장하는 소매점 퀀텀 트레이더 커뮤니티를 지원하는 Quantcademy 개인 회원 포털에 가입하십시오. 당신은 당신의 가장 중요한 퀀트 트레이딩 질문에 대답 할 준비가되어있는 지식이 풍부하고 마음이 맞는 퀀트 트레이더 그룹을 찾을 수 있습니다.
퀀트 트레이딩에 관한 나의 eBook을 확인해보십시오. 여기서 저는 파이썬 툴로 수익성 높은 체계적인 트레이딩 전략을 만드는 법을 가르쳐드립니다.
Python 및 R을 사용하여 시계열 분석, 기계 학습 및 베이지안 통계를 사용하는 고급 거래 전략에 관한 새로운 전자 책을 살펴보십시오.
2015 년 6 월 23 일 Michael Halls-Moore
지난 몇 년 동안 자산 가격의 악용 가능한 패턴을 파악하는 데 도움이되는 다양한 도구를 살펴 보았습니다. 특히 기본 계량 경제학, 통계 기계 학습 및 베이지안 통계를 고려했습니다.
이것들은 모두 데이터 분석을위한 훌륭한 현대 도구이지만, 업계의 자산 모델링의 대다수는 여전히 통계적 시계열 분석을 사용합니다. 이 기사에서 우리는 시계열 분석이 무엇인지 검토하고 범위를 개략적으로 설명하며 다양한 재무 데이터 빈도에 기술을 적용하는 방법을 배우게됩니다.
시계열 분석이란 무엇입니까?
첫째, 시계열은 일정 시간 동안 순차적으로 측정되는 양으로 정의됩니다.
가장 광범위한 형태의 시계열 분석은 과거의 일련의 데이터 포인트에 어떤 일이 발생했는지 추론하고 미래에 어떤 일이 발생할 것인지 예측하려고 시도하는 것입니다.
그러나 우리는 시계열이 무작위 변수 시퀀스의 실현이라고 가정하여 시계열에 대한 정량적 인 통계적 접근법을 취하려고합니다. 즉, 우리는 이들 변수가 그려지는 하나 이상의 통계 분포에 기초하여 우리의 시계열에 대한 근본적인 생성 과정이 있다고 가정하려고합니다.
시계열 분석은 과거를 이해하고 미래를 예측하려고 시도합니다.
이러한 일련의 확률 변수는 이산 시간 확률 과정 (DTSP)으로 알려져 있습니다. 양적 거래에서 우리는 거래 신호를 생성하기 위해 계열 간의 근본적인 관계를 추론하거나 미래 가치를 예측하기 위해 이러한 DTSP에 통계 모델을 맞추려고합니다.
금융 세계 외부의 사람들을 포함하여 일반적으로 시계열에는 다음과 같은 기능이 포함되어 있습니다.
트렌드 - 추세는 시계열에서 일관된 방향 움직임입니다. 이러한 추세는 결정론 적이거나 확률 적입니다. 전자는 트렌드에 대한 근본적인 근거를 제공 할 수 있으며, 후자는 우리가 설명하기 어려운 시리즈의 임의의 기능입니다. 트렌드는 금융 상품, 특히 상품 가격에 종종 나타나며, 많은 상품 거래 자문 (CTA) 기금은 거래 알고리즘에서 정교한 트렌드 식별 모델을 사용합니다. 계절적 변화 - 많은 시계열은 계절적 변화를 포함합니다. 이것은 비즈니스 판매 또는 기후 수준을 나타내는 일련의 경우 특히 그렇습니다. 양적 금융에서 우리는 상품의 계절적 변화, 특히 성장하는 계절이나 연간 온도 변화 (예 : 천연 가스)와 관련된 변동을 보게됩니다. 일련 종속성 - 시계열의 가장 중요한 특징 중 하나, 특히 재무 계열은 일련의 상관 관계입니다. 시간이 지남에 따라 서로 밀접한 관계가있는 시계열 관찰이 발생하는 경우에 발생합니다. 변동성 클러스터링은 정량적 거래에서 특히 중요한 일련의 상관 관계 중 하나입니다.
양적 금융에서 시계열 분석을 어떻게 적용 할 수 있습니까?
양적 연구자로서의 우리의 목표는 통계적 시계열 방법을 사용하여 추세, 계절적 변동 및 상관 관계를 확인하고 궁극적으로 추론이나 예측을 기반으로 한 거래 신호 또는 필터를 생성하는 것입니다.
우리의 접근 방식은 다음과 같습니다.
미래 가치 예측 및 예측 - 성공적으로 거래하려면 최소한 통계적 관점에서 향후 자산 가격을 정확하게 예측해야합니다. 시뮬레이션 시리즈 - 금융 시계열의 통계적 특성을 파악하면 미래 시나리오의 시뮬레이션을 생성하는 데 사용할 수 있습니다. 이를 통해 거래 수, 예상 거래 비용, 예상 수익 프로파일, 인프라에 필요한 기술 및 재무 투자, 궁극적으로 특정 전략이나 포트폴리오의 위험 프로필 및 수익성을 추정 할 수 있습니다. 관계 추론 - 시계열과 다른 양적 가치 간의 관계를 확인하면 여과 메커니즘을 통해 거래 신호를 향상시킬 수 있습니다. 예를 들어 외환 쌍의 스프레드가 입찰가 / 물량과 어떻게 다른지 추측 할 수 있다면 거래 비용을 줄이기 위해 폭 넓은 스프레드가 예상되는 기간에 발생할 수있는 예상 거래를 필터링 할 수 있습니다.
또한 주식 시장의 체제 변화와 같은 특정 행동을 정당화하기 위해 표준 (고전 / 빈번한 또는 베이지) 통계 테스트를 우리의 시계열 모델에 적용 할 수 있습니다.
시계열 분석 소프트웨어.
지금까지 우리는 독점적으로 C ++과 Python을 거래 전략 구현에 사용했습니다. 이 두 언어는 전체 거래 스택 작성을위한 "일류 환경"입니다. 그들은 둘 다 많은 라이브러리를 포함하고 있으며 해당 언어로만 거래 시스템을 "종단 간"으로 구성 할 수 있습니다.
불행하게도 C ++과 Python은 광범위한 통계 라이브러리를 가지고 있지 않습니다. 이것은 그들의 단점 중 하나입니다. 이러한 이유로 우리는 시계열 연구를 수행하는 수단으로 R 통계 환경을 사용할 것입니다. R은 시계열 라이브러리의 사용 가능성, 통계 방법 및 간단한 플로팅 기능으로 인해 업무에 적합합니다.
우리는 R을 문제 해결 방식으로 배울 것이므로 필요에 따라 새로운 명령과 구문을 도입 할 것입니다. 다행스럽게도, 인터넷에서 R availabile에 대한 매우 유용한 자습서가 많이 있으며, 우리는 시계열 분석 기사의 순서대로 설명 할 것입니다.
QuantStart 시계열 분석 로드맵.
통계 학습, 계량 경제학 및 베이지안 분석의 주제에 관한 지금까지의 기사는 사실상 소개 된 것이므로 현대적인 고주파수 가격 정보에 이러한 기술을 적용하는 것을 고려하지 않았습니다.
고주파수 데이터에 위의 기술 중 일부를 적용하려면 연구를 통합하기위한 수학적 틀이 필요합니다. 시계열 분석은 이러한 통일을 제공하며 통계 설정 내에서 별도의 모델을 논의 할 수 있습니다.
결국 우리는 가격 수준과 방향을 예측하고 필터 역할을하며 "체제 변화"를 결정하기 위해 다음과 같은 방법과 함께 베이지안 도구와 기계 학습 기술을 활용합니다. 즉, 시계열이 기본 통계 동작을 변경했을 때를 결정합니다.
우리의 시계열 로드맵은 다음과 같습니다. 아래의 각 주제는 자체 기사 또는 기사 모음을 구성합니다. 이러한 방법을 깊이있게 검토 한 후에는 고주파 데이터를 검사 할 수있는 정교한 최신 모델을 만들 수 있습니다.
시계열 소개 - 이 기사에서는 시계열 분석 영역, 범위 및 금융 데이터에 적용 할 수있는 방법을 간략하게 설명합니다. 상관 관계 (Correlation) - 시계열을 모델링하는 절대적으로 기본적인 측면은 직렬 상관 관계의 개념입니다. 우리는 그것을 정의하고 시계열 분석의 가장 큰 함정 중 하나, 즉 "상관 관계가 원인을 암시하지 않음"을 설명합니다. 예측 - 이 섹션에서는 예측의 개념, 즉 특정 시계열에 대한 미래 방향이나 수준을 예측하고 실제로 수행되는 방식을 고려합니다. 확률 론적 모델 - 우리는 현장의 옵션 가격 책정 분야에서 확률 적 모델, 즉 기하 브라운 운동 및 확률 론적 변동성을 고려하여 어느 정도 시간을 보냈습니다. 우리는 화이트 노이즈 및 자동 회귀 모델을 포함한 다른 모델을 살펴볼 것입니다. 회귀 - 데이터에서 확률론적인 (확률 론적) 경향이있을 때 회귀 모델을 사용하여 외삽을 정당화 할 수 있습니다. 선형 회귀와 비선형 회귀를 모두 고려하고 연속 상관 관계를 고려합니다. 고정식 모델 - 고정식 모델은 시리즈의 통계적 특성 (즉, 평균 및 분산)이 시간 상 일정하다고 가정합니다. 우리는 MA (moving average) 모델을 사용할 수있을뿐 아니라 자동 회귀 모델과 결합하여 ARMA 모델을 형성 할 수 있습니다. 비 고정식 모델 - 많은 금융 시계열은 고정적이지 않으며, 즉 평균 및 분산이 다양합니다. 특히 자산 가격은 종종 변동성이 큰 기간을 가지고 있습니다. 이 시리즈의 경우 ARIMA, ARCH 및 GARCH와 같은 비 정지 모델을 사용해야합니다. 다변량 모델링 - 우리는 과거에 QuantStart에서 다변량 모델을 고려했습니다. 즉, 평균 반전 형 주식 쌍을 고려했을 때입니다. 이 절에서 우리는 공적분을보다 엄격하게 정의하고 그것에 대한 추가 시험을 살펴볼 것이다. 벡터 자동 회귀 (VAR) 모델 [Value-at-Risk! 와 혼동하지 마십시오!]도 고려할 것입니다. 상태 공간 모델 - 상태 공간 모델링은 급변하는 매개 변수 (예 : 선형 회귀 분석에서 두 개의 공적분 자산 사이의 $ \ beta $ 기울기 변수)을 사용하여 시계열을 모델링 할 수 있도록 엔지니어링에 사용 된 현대 제어 이론의 오랜 역사를 빌립니다. ). 특히 유명한 Kalman Filter와 Hidden Markov Model을 고려할 것입니다. 이것은 베이지안 분석의 주요 용도 중 하나입니다.
다른 QuantStart 통계 문서와 어떤 관련이 있습니까?
QuantStart를 사용하여 저의 목표는 항상 기초부터 고급 기술에 이르기까지 정량 분석 및 정량 거래를위한 수학적 및 통계적 체계를 설명하고 정리하는 것이 었습니다.
지금까지 우리는 입문 및 중급 기술에 대부분의 시간을 보냈습니다. 그러나 우리는 이제 양적 기업에서 사용되는 최근의 첨단 기술에주의를 기울일 것입니다.
이것은 업계에서 경력을 쌓고 자하는 사람들을 도울뿐만 아니라 수량 적 소매 상인들에게보다 광범위한 툴킷을 제공 할뿐만 아니라 거래에 대한 통일 된 접근 방식을 제공 할 것입니다.
이전에 산업계에서 일했던 저는 양적 펀드 전문가의 상당수가 "알파 사냥"을 위해 매우 정교한 기술을 사용하고 있음을 분명히 말할 수 있습니다.
그러나 이들 기업 중 상당수는 규모가 커서 용량에 제약이있는 전략, 즉 1 ~ 2 백만 달러 이상으로 확장 할 수없는 전략에는 관심이 없습니다. 소매 업체로서 이러한 분야에 정교한 거래 프레임 워크를 적용 할 수 있다면 장기적으로 수익성을 달성 할 수 있습니다.
궁극적으로는 C ++, R 및 Python 코드와 함께 가설 테스트 및 모델 선택에 대한 Bayesian 접근 방식과 함께 시계열 분석에 대한 기사를 결합하여 고밀도의 거래가 가능한 비선형 비 정적 시계열 모델을 생성합니다. 회수.
QSForex 소프트웨어가 다중 통화 쌍의 고주파 백 테스팅에 대한 실행 가능성에 도달 했으므로 적어도 외환 시장에서 이러한 모델을 테스트 할 수있는 기성 프레임 워크를 갖추고 있습니다.
시리즈의 다음 기사에서는 상관 관계와 왜 이것이 시계열 분석의 가장 기본적인 측면 중 하나인지에 대해 설명합니다.
양적 거래 시작하기?
QuantStart 목록을 구독해야하는 3 가지 이유 :
1. 퀀트 트레이딩 레슨.
계량 거래를 시작하는 데 도움이되는 힌트와 팁으로 가득한 무료 10 일간 코스에 즉시 액세스 할 수 있습니다!
2. 모든 최신 내용.
매주 나는 퀀트 스타트에서 모든 활동의 포장을 보내드릴 것입니다. 그래서 당신은 결코 다시 글을 놓치지 않을 것입니다.
현실감 넘치는 퀀 트레이딩 팁.
Comments
Post a Comment