استراتيجية التداول سلسلة الوقت

إستراتيجية تداول السلاسل الزمنية
ويظهر مؤشر توقعات السلاسل الزمنية أي اتجاه إحصائي في سعر السهم على مدى فترة زمنية من طول 'n' باستخدام تقنيات تحليل الانحدار الخطي. ومن المثير للاهتمام، وتوقعات سلسلة الوقت يولد النقطة الأخيرة من عدة اتجاهات الانحدار الخطي في وقت واحد. ويسمى مؤشر توقعات سلسلة الوقت الناتج أيضا مؤشر "الانحدار الخطي المتحرك" وأحيانا "مذبذب الانحدار". قد يجد سادة التداول اليوم استخدام لهذا المؤشر من أجل إعطاء أنفسهم "نكهة" ما عمل الغد ربما، على الرغم من أن معظم يفضلون التقنيات المعمول بها مثل تحليل التقلبات.
يتم تداول التوقع مثل أي متوسط ​​متحرك آخر، ولكن حقيقة أن سلسلة زمنية متعددة تستخدم يعطيها مزايا أكثر من "عادية" ما، أساسا عدم وجود تأخير عندما تتغير الأسعار بسرعة. ويرجع ذلك بالطبع إلى أن "توقعات سلسلة الوقت" تتناسب مع بيانات الأسعار الأساسية بدلا من متوسطها، مما يجعلها أكثر استجابة لتغيرات الأسعار. في الأساس، إذا كان الاتجاه الحالي لا يزال قائما، توقعات سلسلة الوقت هو توقعات لمستوى سعر الفترة المقبلة.
لحساب توقعات سلسلة الوقت لديك لاستخدام تقنية "المربعات الصغرى تناسب" لحساب خط الاتجاه الانحدار الخطي، الذي يحاول تناسب خط الاتجاه إلى بيانات الأسعار عن طريق تقليل المسافة بين نقاط السعر وخط الاتجاه الانحدار الخطي نفسه.

استراتيجيات سلسلة الزخم التجارية في سوق الأسهم العالمية.
غاغاري تشاكرابارتي.
في السنوات الأخيرة، تم التحقق من صحة الأرباح غير العادية في أسواق الأسهم تجريبيا، وبالتالي وضع فرضية السوق الفعالة في المحاكمة؛ والتأكيد على أن السوق يعرف كل شيء أو السوق لا يمكن أن يتعرض للضرب وقد ثبت أن تكون أسطورة. وبوجود قواعد تجارية مربحة في أسواق الأوراق المالية، تصبح المضاربة ظاهرة شائعة تجعل النظام المالي غير مستقر في جوهره، ويتعرض للصدمات، ويتعرض للحوادث. هذه الدراسة، في حين استكشاف وجود قواعد التداول مربحة في السوق العالمية في السنوات الأخيرة، ويجد أن الدول المتقدمة في البلدان المتقدمة أكثر عرضة لأنشطة المضاربة.
* غاغاري تشاكرابارتي أستاذ مساعد في الاقتصاد في جامعة الرئاسة، كلكتا، الهند. ومجالات بحوثها الرئيسية هي الاقتصاد المالي، والتمويل الكمي، والأسواق المالية كنظم معقدة. حصلت على ماجستير، M. Phil. ودكتوراه درجة في الاقتصاد من جامعة كلكتا.
المراجع.
معلومات حقوق التأليف والنشر.
المؤلفين والانتماءات.
غاغاري تشاكرابارتي.
لا توجد انتماءات متاحة.
حول هذه المقالة.
نشرت بالتعاون مع.
توصيات شخصية.
اقتباس المقال.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
مشاركة المقال.
الوصول غير المحدود إلى المقال الكامل التحميل الفوري تشمل ضريبة المبيعات المحلية إن وجدت.
اقتباس المقال.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
مشاركة المقال.
أكثر من 10 مليون وثيقة علمية في متناول يدك.
تبديل الطبعة.
&نسخ؛ 2017 سبرينجر الدولية للنشر أغ. جزء من الطبيعة سبرينجر.

QuantStart.
الانضمام إلى كوانتكاديمي بوابة العضوية الخاصة التي تلبي احتياجات التجزئة المتزايد بسرعة المجتمع تاجر الكمي. سوف تجد مجموعة من ذوي الخبرة مثل التفكير من التجار الكميون على استعداد للرد على أسئلة التداول الكمي الأكثر إلحاحا.
تحقق من بلدي يبوك على التداول الكمي حيث أنا يعلمك كيفية بناء مربحة استراتيجيات التداول المنهجي مع أدوات بايثون، من الصفر.
نلقي نظرة على بلدي الكتاب الاليكتروني الجديد على استراتيجيات التداول المتقدمة باستخدام تحليل سلسلة زمنية، والتعلم الآلي والإحصاءات بايزي، مع بيثون و R.
من قبل مايكل هالز مور في 8 يناير، 2017.
في هذه السلسلة من المقالات سنقوم بإنشاء عملية قوية إحصائيا للتنبؤ السلاسل الزمنية المالية. وستشكل هذه التوقعات الأساس لمجموعة من استراتيجيات التداول الآلي. وستناقش المقالة الأولى في السلسلة نهج النمذجة ومجموعة من خوارزميات التصنيف التي تمكننا من التنبؤ بالاتجاهات السوقية.
ضمن هذه المقالات سنكون الاستفادة من سسيكيت تعلم، مكتبة التعلم الآلي لبيثون. يحتوي سكيكيت تعلم تطبيقات العديد من تقنيات التعلم الآلي. ليس فقط هذا لا يوفر لنا قدرا كبيرا من الوقت في تنفيذ منطقتنا، ولكنه يقلل من خطر الأخطاء التي أدخلتها التعليمات البرمجية الخاصة بنا ويسمح التحقق إضافية ضد المكتبات المكتوبة في حزم أخرى، مثل R. هذا يعطينا قدرا كبيرا من الثقة إذا كنا بحاجة إلى إنشاء منطقتنا تنفيذ مخصص (لأسباب سرعة التنفيذ، ويقول).
عملية التنبؤ.
شرح مفصل لمجال التعلم الآلي الآلي هو أبعد من هذه المقالة. من أجل الاستفادة من تقنيات مثل الانحدار اللوجستي، تحليل التمييز الخطي والتحليل التمهيدي التربيعي نحن بحاجة إلى تحديد بعض المفاهيم الأساسية.
تقنيات التعلم تحت الإشراف.
تتضمن تقنيات الإشراف التي تخضع للإشراف مجموعة من المعابد المعروفة $ (x_i، y_i) $، $ i \ إن \ $، مع $ x_i $ تمثل متغيرات التنبؤ (مثل عوائد سوق الأسهم المتخلفة أو حجم التداول) و $ y_i $ يمثل (مثل عودة سوق الأسهم اليوم). في هذه الحالة نحن مهتمون بالتنبؤ. وبالنظر إلى متغيرات التنبؤ المستقبلية نود أن نقدر الردود من هذه التنبؤات. هذا هو في المعارضة الاستدلال حيث نحن أكثر اهتماما في العلاقة بين المتغيرات.
جميع الخوارزميات التي نستخدمها في هذه المقالة، جنبا إلى جنب مع العديد من الخوارزميات التي سوف نستخدمها في المستقبل، هي من نطاق التعلم تحت الإشراف.
قياس دقة التنبؤ.
فئة معينة من الطرق التي نحن مهتمون ينطوي على التصنيف الثنائي. أي أننا سنحاول تخصيص النسبة المئوية لعودة يوم معين إلى دلاءين: "أعلى" أو "أسفل". في مناجم الإنتاج سنكون قلقين جدا مع حجم هذا التنبؤ والانحرافات من التنبؤ من القيمة الفعلية.
في مثل هذه الحالات يمكننا الاستفادة من متوسط ​​تربيع خطأ، يعني الانحراف المطلق و الجذر المتوسط ​​تربيع خطأ لتوفير تقدير لدقة التنبؤ. وتوفر الأدبيات أمثلة أخرى عديدة لتدابير دقة التنبؤ.
في هذه الحالة نحن فقط سوف تكون مهتمة مع معدل ضرب، وهي ببساطة النسبة المئوية للمرات التي حققها المتنبأ التنبؤ الدقيق (أي حتى عندما كان اليوم يصل والعكس بالعكس). في الأمثلة اللاحقة سوف نستفيد من مصفوفة الارتباك لتحديد أداء التنبؤ على أساس كل فئة على حدة. وبالإضافة إلى ذلك فإننا سوف حساب القيم المذكورة أعلاه ودمجها في عملية أبحاث التداول لدينا.
عوامل التنبؤ.
إن منهجية التنبؤ هي فقط جيدة مثل العوامل المختارة كمنبئات. هناك عدد هائل من العوامل المحتملة للاختيار من بينها عند التنبؤ عوائد مؤشر سوق الأسهم. في هذه المقالة سنقوم بتقييد العوامل إلى الفترات الزمنية من عوائد النسبة المئوية الحالية. هذا ليس لأنهم أفضل التنبؤات، بل هو لأنه من السهل أن تظهر عملية التنبؤ على مجموعة البيانات التي تم الحصول عليها بسهولة.
اختيار عامل التنبؤ هو في غاية الأهمية، إن لم يكن أهم عنصر من المتنبئين. حتى تقنيات التعلم آلة بسيطة سوف تنتج نتائج جيدة على العوامل المختارة بشكل جيد. لاحظ أن العكس ليس هو الحال في كثير من الأحيان. "رمي خوارزمية في مشكلة" عادة ما يؤدي إلى ضعف دقة التنبؤ.
لهذا المذيع على وجه التحديد، لقد اخترت الفترات الزمنية الأولى والثانية من العائدات نسبة كما التنبؤات للاتجاه الحالي سوق الأسهم. وهذا اختيار تعسفي نسبيا وهناك مجال واسع للتعديل، على سبيل المثال عن طريق إضافة تأخيرات إضافية أو حجم الأسهم المتداولة. فمن الأفضل عموما أن يكون عدد أقل من المنبئات في نموذج، على الرغم من أن هناك اختبارات إحصائية متوفرة والتي يمكن أن تثبت القدرة التنبؤية لكل عامل.
التنبؤ S & P500 مع الانحدار اللوجستي، لدا و قدا.
مؤشر S & أمب؛ P500 هو مؤشر مرجح لأكبر 500 شركة متداولة (حسب القيمة السوقية) في سوق الأسهم الأمريكية. وكثيرا ما يعتبر "معيارا" للأسهم. توجد العديد من المنتجات المشتقة من أجل السماح بالمضاربة أو التحوط على المؤشر. على وجه الخصوص، فإن العقود الآجلة للمؤشر الصغير E & P500 E-ميني هو وسيلة سائلة للغاية لتداول المؤشر.
في هذا القسم سنقوم باستخدام ثلاثة المصنفات للتنبؤ اتجاه سعر الإغلاق في اليوم $ N $ على أساس فقط على معلومات الأسعار المعروفة في اليوم $ N-1 $. تعني حركة الاتجاه التصاعدي أن سعر الإغلاق عند $ N $ أعلى من السعر عند $ N-1 $، في حين أن الحركة الهبوطية تعني سعر إغلاق عند $ N $ أقل من $ N-1 $.
إذا تمكنا من تحديد اتجاه الحركة بطريقة تتجاوز بشكل كبير معدل ضرب 50٪، مع وجود خطأ منخفض وأهمية إحصائية جيدة، فإننا على الطريق إلى تشكيل استراتيجية تداول منهجية أساسية استنادا إلى توقعاتنا. في هذه المرحلة نحن لسنا قلقين مع معظم ما يصل إلى تاريخ خوارزميات تصنيف التعلم الآلي. الآن نحن مجرد إدخال المفاهيم ولذا سنبدأ مناقشة على التنبؤ مع بعض الأساليب الأولية.
الانحدار اللوجستي.
الأسلوب الأول الذي سننظر فيه هو الانحدار اللوجستي (لر). في حالتنا سنستخدم لير لقياس العلاقة بين المتغير التابع الفئوي الثنائي ("أوب" أو "دون") ومتغيرات مستقلة مستقلة متعددة (عوائد النسبة المئوية المتأخرة). يوفر النموذج احتمالية تصنيف يوم معين) التالي (على أنه "أوب" أو "دون". في هذا التنفيذ اخترنا تعيين كل يوم "حتى" إذا كان احتمال يتجاوز 0.5. يمكننا الاستفادة من عتبة مختلفة، ولكن بالنسبة للبساطة لقد اخترت 0.5.
يستخدم لر الصيغة السوقية لرسم نموذج احتمال الحصول على يوم "أوب" ($ Y = U $) استنادا إلى عوامل التأخر ($ L_1 $، $ L_2 $):
يتم استخدام الدالة اللوجستية لأنها توفر احتمالية بين $ [0،1] $ لكل القيم $ L_1 $ و $ L_2 $، على عكس الانحدار الخطي حيث يمكن توليد الاحتمالات السلبية في نفس الإعداد.
لتلائم النموذج (أي تقدير معاملات $ $ beta_i $) يتم استخدام طريقة الاحتمال القصوى. لحسن الحظ بالنسبة لنا، يتم التعامل مع تركيب والتنبؤ نموذج لر من قبل مكتبة سكيت تعلم.
تحليل التمييز الخطي.
التقنية التالية المستخدمة هي تحليل التمييز الخطي (لدا). لدا يختلف عن لر لأنه لأنه في لر نموذجنا $ P (Y = U | L_1، L_2) $ كتوزيع مشروط للاستجابة $ Y $ نظرا للتنبؤ $ L_i $، وذلك باستخدام وظيفة لوجستية. في لدا توزيع المتغيرات $ L_i $ على غرار بشكل منفصل، نظرا $ Y $، و $ P (Y = U | L_1، L_2) $ يتم الحصول عليها عن طريق نظرية بايز.
أساسا، لدا النتائج من افتراض أن تنبئ يتم استخلاصها من توزيع غوسي متعدد المتغيرات. بعد تقديرات كالكولتينغ لمعلمات هذا التوزيع، يمكن أن تكون المعلمات المدخلات في نظرية بايز من أجل جعل تنبؤات حول الفئة التي تنتمي إليها الملاحظة.
يفترض لدا أن جميع الطبقات تشترك في نفس مصفوفة التباين.
لن أتوجه إلى الصيغ لتقدير التوزيع أو الاحتمالات الخلفية اللازمة لجعل التنبؤات، مرة أخرى سكيكيت تعلم يعالج هذا بالنسبة لنا.
تحليل التمايز التربيعي.
التحليل التميزي التربيعي (قدا) يرتبط ارتباطا وثيقا ل لدا. الفرق الكبير هو أن كل فئة يمكن أن تمتلك الآن مصفوفة التباين الخاص بها.
قدا عموما أداء أفضل عندما حدود القرار غير الخطية. ويتحسن أداء البرنامج عموما عندما يكون هناك عدد أقل من الملاحظات التدريبية (أي عند الحاجة إلى تقليل التباين). ومن ناحية أخرى، فإن أداء هيئة التنمية البشرية يؤدي أداء جيدا عندما تكون مجموعة التدريب كبيرة (أي أن التباين يقل قلقا). ويأتي استخدام أحدهما أو الآخر في نهاية المطاف إلى مقايضة التباين بين التحيز.
كما هو الحال مع لر و لدا، سكيت-تعلم يعتني تنفيذ قدا لذلك نحن بحاجة فقط إلى تزويده مع بيانات التدريب / اختبار لتقدير المعلمة والتنبؤ.
بيثون التنفيذ.
لتنفيذ هذه التنبؤات سوف نستفيد من نومبي، الباندا و سكيكيت التعلم. لقد كتبت سابقا تعليمي حول كيفية تثبيت هذه المكتبات. لقد علقت بشكل كبير على التعليمات البرمجية نفسها لذلك ينبغي أن يكون من السهل التأكد مما يحدث.
الخطوة الأولى هي استيراد الوحدات والمكتبات ذات الصلة. سنقوم باستيراد لوجيستيكريغرسيون، لدا و كدا المصنفات لهذا المذيع:
الآن بعد أن يتم استيراد المكتبات، نحن بحاجة إلى إنشاء داتافريم الباندا التي تحتوي على عائدات النسبة المئوية المتخلفة لعدد مسبق من الأيام (التخلف عن خمسة). سيعمل رمز_الخزائن______________________________ -_ -__-_-_الجزر على أخذ رمز السهم (كما هو معترف به من قبل ياهو فينانس)
تم تصميم وظيفة المساعد التالي لإنشاء النسبة المئوية hit_rate لكل نموذج، وذلك من خلال إزالة الشفرة المكررة. وهو يعتمد على حقيقة أن الانحدار اللوجستي، لدا و كدا الكائنات لديها نفس الأساليب (تناسب والتنبؤ). معدل الإخراج هو الإخراج إلى المحطة:
وأخيرا، نحن ربطها مع وظيفة __main__. في هذه الحالة سنحاول التنبؤ بالاتجاه الأمريكي لسوق الأسهم في عام 2005، باستخدام بيانات العوائد من 2001 إلى 2004:
الناتج من التعليمات البرمجية كما يلي:
ويمكن ملاحظة أن الانحدار اللوجستي والمحلل التميزي الخطي كانا قادرين على الحصول على معدل ضرب بلغ 56٪. ومع ذلك، كان محلل التمييزية التربيعية قادرة على تحسين كل منهما لإنتاج معدل ضرب 60٪. وبالنسبة للفترة الخاصة التي تم تحليلها، من المرجح أن يرجع ذلك إلى حقيقة أن هناك بعض عدم الخطية في العلاقة بين العوامل المتأخرة والاتجاه الذي لم يتم التقاطه بشكل جيد في التحليل الخطي.
وبالتالي، هناك أمل في أننا قد تكون قادرة على التنبؤ جزئيا سوق الأسهم الأمريكية. وهناك عدد قليل من المحاذير لمنهجية التنبؤ هذه:
نحن لم تستخدم أي شكل من أشكال التحقق من صحة للحد من أخطاء المناسب. ويتطلب أحد منشئي الإنتاج أن يعتبر هذا التحليل قويا. ولم يتم تدريب المتنبأ إلا على البيانات بين عامي 2001 و 2004. قد تكون بيانات سوق الأسهم الأحدث لديها دقة تنبؤ مختلفة بشكل كبير. ونحن لم نحاول في الواقع أن نتجاوز هذه المعلومات. على وجه الخصوص، كيف يمكننا فعلا تنفيذ الصفقات؟ هل سنستخدم مستقبل e-ميني في الولايات المتحدة؟ ھل سنستفید من أوامر السوق المفتوح (مو) أو السوق عند الإغلاق (موك)؟ وسوف نحتاج أيضا إلى النظر في تكاليف المعاملات.
وفي مقالات لاحقة سننظر في هذه المسائل بمزيد من التعمق.
تحذير على التنبؤ العشوائي.
في هذا القسم أريد أن أبرز بشكل واضح مشكلة الأهمية الإحصائية عند التعامل مع المتنبئين. بالإضافة إلى المذيع المذكور أعلاه ولدت أيضا سلسلة "التنبؤ" استنادا فقط على علامة من تعادلات عشوائية من التوزيع العادي العادي. لاحظ أنه في نفس الفترة أنها أنتجت معدل ضربة التنبؤ من 53.4٪ ومع ذلك فإن الطريقة المستخدمة لتوليد سلسلة هي في الأساس لا تختلف عن القذف عملة! ضع ذلك في اعتبارك كلما نفذت إجراءات التنبؤ لأنها قد تؤدي في كثير من الأحيان إلى أداء تداول متهور إذا لم تؤخذ بعين الاعتبار.
في المقالات التالية سوف ننظر في تصنيفات غير خطية أكثر تنبؤا تحت الإشراف مثل الشبكات العصبية الاصطناعية (آن) وآلات ناقلات الدعم (سفم). مع "مستقرة" من تقنيات التعلم الآلي تحت تصرفنا فإننا سوف تكون في وقت لاحق قادرة على الاستفادة من أساليب مجموعة لإنتاج دقة التنبؤ والمتانة التي يمكن أن تتجاوز أحيانا تلك من أي فرد المتنبأ.
مجرد بدء مع التداول الكمي؟
3 أسباب الاشتراك في قائمة البريد الإلكتروني كوانتستارت:
1. دروس التداول الكمي.
سوف تحصل على إمكانية الوصول الفوري إلى دورة مجانية 10-البريد الإلكتروني معبأة مع تلميحات ونصائح لمساعدتك على البدء في التداول الكمي!
2. جميع أحدث المحتوى.
كل أسبوع سوف نرسل لك التفاف جميع الأنشطة على كوانتستارت لذلك عليك أن لا يفوتون وظيفة مرة أخرى.
ريال مدريد، وقابلة للتنفيذ نصائح التداول الكمي مع أي هراء.

QuantStart.
الانضمام إلى كوانتكاديمي بوابة العضوية الخاصة التي تلبي احتياجات التجزئة المتزايد بسرعة المجتمع تاجر الكمي. سوف تجد مجموعة من ذوي الخبرة مثل التفكير من التجار الكميون على استعداد للرد على أسئلة التداول الكمي الأكثر إلحاحا.
تحقق من بلدي يبوك على التداول الكمي حيث أنا يعلمك كيفية بناء مربحة استراتيجيات التداول المنهجي مع أدوات بايثون، من الصفر.
نلقي نظرة على بلدي الكتاب الاليكتروني الجديد على استراتيجيات التداول المتقدمة باستخدام تحليل سلسلة زمنية، والتعلم الآلي والإحصاءات بايزي، مع بيثون و R.
بقلم مايكل هالز مور في 23 يونيو، 2018.
على مدى السنوات القليلة الماضية نظرنا إلى أدوات مختلفة لمساعدتنا على تحديد أنماط قابلة للاستغلال في أسعار الأصول. على وجه الخصوص لقد نظرنا في الاقتصاد القياسي الأساسي، والتعلم الآلي الإحصائي والإحصاءات بايزي.
في حين أن هذه كلها أدوات حديثة كبيرة لتحليل البيانات، فإن الغالبية العظمى من نمذجة الأصول في هذه الصناعة لا تزال تستخدم التحليل الإحصائي لسلسلة زمنية. في هذه المقالة سنقوم بدراسة ما تحليل سلسلة الوقت هو، تحديد نطاقها وتعلم كيف يمكننا تطبيق التقنيات على ترددات مختلفة من البيانات المالية.
ما هو تحليل سلسلة الوقت؟
أولا، تعرف السلاسل الزمنية بأنها بعض الكمية التي يتم قياسها بالتتابع في الوقت المناسب على مدى فترة زمنية معينة.
في شكله الأوسع، تحليل السلاسل الزمنية هو استنتاج ما حدث لسلسلة من نقاط البيانات في الماضي ومحاولة التنبؤ بما سيحدث له في المستقبل.
ومع ذلك، فإننا سوف تتخذ نهجا إحصائيا كميا لسلاسل زمنية، بافتراض أن سلسلة زمنية لدينا هي تحقيقات تسلسل المتغيرات العشوائية. أي أننا سوف نفترض أن هناك بعض عملية توليد الأساسية لسلاسل زمنية لدينا على أساس واحد أو أكثر من التوزيعات الإحصائية التي يتم رسمها من هذه المتغيرات.
يحاول تحليل السلاسل الزمنية فهم الماضي والتنبؤ بالمستقبل.
ويعرف مثل هذا التسلسل من المتغيرات العشوائية بعملية عشوائية العشوائية (دتسب). في التداول الكمي نحن قلقون مع محاولة لتناسب النماذج الإحصائية لهذه دتسس لاستنتاج العلاقات الكامنة بين سلسلة أو التنبؤ القيم المستقبلية من أجل توليد إشارات التداول.
غالبا ما تحتوي السلاسل الزمنية بشكل عام، بما في ذلك تلك خارج العالم المالي، على الميزات التالية:
الاتجاهات - الاتجاه هو حركة اتجاهية متسقة في سلسلة زمنية. وستكون هذه الاتجاهات إما حاسمة أو عشوائية. الأول يسمح لنا لتوفير الأساس المنطقي الكامن لهذا الاتجاه، في حين أن الأخير هو سمة عشوائية لسلسلة أننا سوف يكون من غير المرجح أن يفسر. وغالبا ما تظهر الاتجاهات في السلاسل المالية، وخاصة أسعار السلع الأساسية، وتستخدم العديد من أموال مستشار تجارة السلع (كتا) نماذج متطورة لتحديد الاتجاه في خوارزميات التداول الخاصة بهم. التباين الموسمية - العديد من السلاسل الزمنية تحتوي على تباين موسمي. ويصدق هذا بشكل خاص في سلسلة تمثل مبيعات الأعمال أو مستويات المناخ. وكثيرا ما نرى في التمويل الكمي تغيرات موسمية في السلع الأساسية، وخاصة تلك المتعلقة بمواسم النمو أو التغير السنوي في درجة الحرارة (مثل الغاز الطبيعي). الاعتماد المتسلسل - واحدة من أهم خصائص السلاسل الزمنية، وخاصة السلسلة المالية، هي العلاقة التسلسلية. ويحدث ذلك عندما تكون ملاحظات السلاسل الزمنية المقربة من بعضها البعض مترابطة في الوقت المناسب. تقلب التقلبات هو أحد جوانب الترابط التسلسلي الذي يتسم بأهمية خاصة في التداول الكمي.
كيف يمكننا تطبيق تحليل سلسلة الوقت في التمويل الكمي؟
هدفنا كباحثين كميين هو تحديد الاتجاهات، والتغيرات الموسمية والارتباط باستخدام أساليب التسلسل الزمني الإحصائية، وفي نهاية المطاف توليد إشارات تجارية أو مرشحات على أساس الاستدلال أو التنبؤات.
وسيكون نهجنا هو:
التنبؤ والتنبؤ القيم المستقبلية - من أجل التجارة بنجاح سوف نحتاج إلى التنبؤ بدقة أسعار الأصول في المستقبل، على الأقل بمعنى إحصائي. محاكاة سلسلة - بمجرد أن نحدد الخصائص الإحصائية للسلاسل الزمنية المالية يمكننا استخدامها لإنشاء محاكاة للسيناريوهات المستقبلية. وهذا يسمح لنا بتقدير عدد الصفقات، وتكاليف التداول المتوقعة، والمظهر المتوقع للعائدات، والاستثمار التقني والمالي المطلوب في البنية التحتية، وبالتالي في نهاية المطاف المخاطر والربحية لاستراتيجية أو محفظة معينة. استنتاج العلاقات - تحديد العلاقات بين السلاسل الزمنية والقيم الكمية الأخرى يسمح لنا لتعزيز إشارات التداول لدينا من خلال آليات الترشيح. على سبيل المثال، إذا استطعنا استنتاج الكيفية التي يتغير فيها انتشار العملة في زوج العملات الأجنبية مع حجم العطاء / الطلب، يمكننا عندئذ تصفية أي صفقات محتملة قد تحدث في فترة نتوقع فيها انتشارا واسعا من أجل خفض تكاليف المعاملات.
وبالإضافة إلى ذلك يمكننا تطبيق الاختبارات الإحصائية الكلاسيكية (الكلاسيكية / التكرارية أو بايزي) لنماذج عصرنا سلسلة من أجل تبرير بعض السلوكيات، مثل تغيير النظام في أسواق الأسهم.
الوقت سلسلة تحليل البرمجيات.
حتى الآن لدينا تقريبا تقريبا استخدام C ++ وبيثون لتنفيذ استراتيجية التداول لدينا. كل من هذه اللغات هي "بيئات الدرجة الأولى" لكتابة كومة التداول بأكملها. كلاهما يحتوي على العديد من المكتبات ويسمح "نهاية إلى نهاية" بناء نظام التداول فقط داخل تلك اللغة.
لسوء الحظ، C ++ و بيثون لا تمتلك مكتبات إحصائية واسعة. هذا هو واحد من أوجه القصور فيها. لهذا السبب سوف نستخدم البيئة الإحصائية R كوسيلة لتنفيذ البحوث سلسلة زمنية. R هي مناسبة تماما لهذا المنصب نظرا لتوافر المكتبات سلسلة زمنية، والأساليب الإحصائية وقدرات التآمر واضحة.
وسوف نتعلم R في الأزياء حل المشكلة، حيث سيتم تقديم الأوامر الجديدة وبناء الجملة حسب الحاجة. لحسن الحظ، هناك الكثير من الدروس المفيدة للغاية ل R أفيلابيل على شبكة الانترنت، وسوف أشر لهم بها ونحن نذهب من خلال تسلسل المواد تحليل سلسلة زمنية.
كوانتستارت الوقت سلسلة تحليل خارطة الطريق.
وكانت المقالات السابقة حتى الآن عن مواضيع التعلم الإحصائي والاقتصاد القياسي وتحليل بايزي، في الغالب تمهيدية في الطبيعة ولم تنظر تطبيقات هذه التقنيات إلى المعلومات التسعير الحديثة، عالية التردد.
من أجل تطبيق بعض التقنيات المذكورة أعلاه على بيانات تردد أعلى نحن بحاجة إلى إطار رياضي لتوحيد البحوث لدينا. يوفر تحليل السلاسل الزمنية مثل هذا التوحيد ويسمح لنا لمناقشة نماذج منفصلة ضمن إطار إحصائي.
في نهاية المطاف سوف نستخدم أدوات بايزي وتقنيات التعلم الآلي بالتزامن مع الأساليب التالية من أجل التنبؤ بمستوى الأسعار واتجاهها، بمثابة مرشحات وتحديد "تغيير النظام"، أي تحديد متى سلمت سلسلة زمنية لدينا السلوك الإحصائي الأساسي.
لدينا خارطة الطريق سلسلة الوقت على النحو التالي. سيشكل كل موضوع من المواضيع التالية مقالته أو مجموعة المقالات الخاصة به. وبمجرد أن نفحص هذه الأساليب في العمق، سنكون في وضع يسمح لنا بإنشاء بعض النماذج الحديثة المتطورة لفحص البيانات عالية التردد.
سلسلة زمنية مقدمة - توضح هذه المقالة مجال تحليل السلاسل الزمنية ونطاقها وكيف يمكن تطبيقها على البيانات المالية. الارتباط - أحد الجوانب الأساسية المطلقة لنمذجة السلاسل الزمنية هو مفهوم الارتباط المتسلسل. وسوف نقوم بتعريفها ووصف واحدة من أكبر المزالق في تحليل السلاسل الزمنية، وهي أن "الارتباط لا يعني السببية". التنبؤ - في هذا القسم سوف ننظر في مفهوم التنبؤ، وهذا هو جعل التنبؤات من الاتجاه المستقبلي أو مستوى لسلسلة زمنية معينة، وكيف يتم تنفيذها في الممارسة العملية. النماذج العشوائية - لقد أمضينا بعض الوقت في النظر في النماذج العشوائية في مجال تسعير الخيارات على الموقع، وهي بالتحديد هندسي براونيان موشن و ستوشاستيك فولاتيليتي. وسوف ننظر في نماذج أخرى، بما في ذلك الضوضاء البيضاء ونماذج الانحدار الذاتي. الانحدار - عندما يكون لدينا اتجاهات حاسمة (بدلا من مؤشر ستوكاستيك) في البيانات يمكننا تبرير استقراءهم باستخدام نماذج الانحدار. سوف ننظر في كل من الانحدار الخطي وغير الخطية، وحساب الارتباط التسلسلي. نماذج ثابتة - تفترض النماذج الثابتة أن الخصائص الإحصائية (أي الوسط والتباين) للسلسلة ثابتة في الوقت المناسب. يمكننا استخدام نماذج المتوسط ​​المتحرك (ما)، فضلا عن دمجها مع نماذج الانحدار الذاتي لتشكيل نماذج أرما. نماذج غير ثابتة - العديد من السلاسل الزمنية المالية غير ثابتة، أي أنها تختلف في المتوسط ​​والتباين. وعلى وجه الخصوص، غالبا ما تكون أسعار الأصول ذات فترات عالية من التقلب. لهذه السلسلة نحن بحاجة إلى استخدام نماذج غير ثابتة مثل أريما، أرش و غارتش. النمذجة متعددة المتغيرات - لقد نظرنا في نماذج متعددة المتغيرات في كوانتستارت في الماضي، أي عندما اعتبرنا أزواج متوسطية من الأسهم. في هذا القسم سوف نقوم بتحديد أكثر جاذبية التكامل المشترك والنظر في مزيد من الاختبارات لذلك. وسوف ننظر أيضا نماذج ناقلات الانحدار الذاتي (فار) [لا ينبغي الخلط بينه وبين القيمة في خطر!]. نماذج الفضاء والفضاء - تقترح نمذجة الفضاء الحكومية تاريخا طويلا من نظرية التحكم الحديثة المستخدمة في الهندسة من أجل السماح لنا بنمذجة السلاسل الزمنية بمعلمات متغيرة بسرعة (مثل متغير المنحدر $ بيتا $ بين اثنين من الأصول المشتركة في انحدار خطي ). على وجه الخصوص، سننظر في تصفية كالمان الشهيرة ونموذج ماركوف المخفية. وهذا سيكون واحدا من الاستخدامات الرئيسية للتحليل بايزي في السلاسل الزمنية.
كيف تتعلق هذه المواد الإحصائية كوانتستارت أخرى؟
كان هدفي مع كوانتستارت دائما في محاولة وتحديد الإطار الرياضي والإحصائي للتحليل الكمي والتداول الكمي، من الأساسيات من خلال إلى التقنيات الحديثة أكثر تقدما.
حتى الآن قضينا معظم الوقت على تقنيات تمهيدية وسيطة. ومع ذلك، فإننا الآن سوف نوجه انتباهنا نحو التقنيات المتقدمة الحديثة المستخدمة في الشركات الكمية.
وهذا لن يساعد فقط أولئك الذين يرغبون في الحصول على مهنة في هذه الصناعة، ولكنه سيعطي أيضا تجار التجزئة الكمي بينكم مجموعة أدوات أوسع بكثير من الطرق، فضلا عن نهج موحد للتجارة.
بعد أن عملت في هذه الصناعة سابقا، يمكنني أن أقول على وجه اليقين أن جزءا كبيرا من المهنيين صندوق الكمي تستخدم تقنيات متطورة للغاية "مطاردة ألفا".
ومع ذلك، فإن العديد من هذه الشركات كبيرة جدا لدرجة أنها ليست مهتمة باستراتيجيات "مقيدة القدرات"، أي تلك التي لا تكون قابلة للتطوير أكثر من 1-2 مليون دولار أمريكي. وبوصفنا تجار التجزئة، إذا تمكنا من تطبيق إطار عمل متطور على هذه المجالات، يمكننا تحقيق الربحية على المدى الطويل.
وسوف نجمع في نهاية المطاف مقالاتنا حول تحليل السلاسل الزمنية، مع نهج بايزي لفحص الفرضية واختيار النموذج، جنبا إلى جنب مع الأمثل C ++، R وبيثون رمز، لإنتاج غير الخطية، غير ثابتة سلسلة من النماذج الزمنية التي يمكن أن تتداول في عالية - تكرر.
الآن وبعد أن اقترب برنامج كسفوريكس من القدرة على إجراء اختبارات باكتستينغ عالية التردد لأزواج العملات المتعددة، لدينا إطار جاهز لاختبار هذه النماذج، على الأقل في أسواق الصرف الأجنبي.
المقالة التالية في السلسلة سوف تناقش الارتباط و السبب في أنها واحدة من الجوانب الأساسية لتحليل السلاسل الزمنية.
مجرد بدء مع التداول الكمي؟
3 أسباب الاشتراك في قائمة البريد الإلكتروني كوانتستارت:
1. دروس التداول الكمي.
سوف تحصل على إمكانية الوصول الفوري إلى دورة مجانية 10-البريد الإلكتروني معبأة مع تلميحات ونصائح لمساعدتك على البدء في التداول الكمي!
2. جميع أحدث المحتوى.
كل أسبوع سوف نرسل لك التفاف جميع الأنشطة على كوانتستارت لذلك عليك أن لا يفوتون وظيفة مرة أخرى.
ريال مدريد، وقابلة للتنفيذ نصائح التداول الكمي مع أي هراء.

جورنال أوف ريسك موديل فاليداتيون.
رئيس تحرير: ستيف ساتشل.
فيرست بابليشيد: مارش 2007.
الحد من المخاطر في استراتيجية التداول الزخم سلسلة زمنية.
نحن ندرس أربعة مقاييس المخاطر الأكثر شيوعا لاستراتيجية تداول الزخم الزمني (تسم). وتشمل الإجراءات الأربعة تقلبات العائد، وبيتا، والقيمة المعرضة للمخاطر، والقيمة المعرضة للخطر. وتبين لنا أن استراتيجية تسم يقلل من مخاطر المخاطر مقارنة مع شراء السلبي وعقد استراتيجية. وينبغي أن يكون ذلك مناسبا لأي شخص يدير المخاطر المالية لاستراتيجيات التداول استنادا إلى تسم.
في هذا البحث، نقوم بالتحقيق في أربعة مقاييس المخاطر الأكثر شيوعا - تقلب العائد، بيتا، القيمة المعرضة للخطر والقيمة الشديدة المعرضة للخطر - من الزخم سلسلة زمنية (تسم) استراتيجية التداول. ونحن نبرهن على أن استراتيجية تسم النتائج في انخفاض مخاطر المخاطر مقارنة مع استراتيجية الشراء والاستمرار السلبي. ثم نتحقق من صحة الفرضية مع نموذج مخاطر ثنائي المتغير لعمليات أر (1). وقد تراوح الانخفاض في تدابير المخاطر بين 24٪ و 46٪ في النموذج المعطى لعمليات أر (1). وينبغي أن تكون هذه النتائج ذات صلة بمديري الحافظات أو التجار أو مديري المخاطر المهتمين بإدارة المخاطر المالية لاستراتيجيات التداول القائمة على تسم.
لمتابعة القراءة.
بدء المجلات المخاطر الابتدائية.
مجلة المخاطر هي خدمة الاشتراك المدفوع. ومع ذلك، ندعوك لتحميل نسخة عينة.
بدلا من ذلك، يمكنك استكشاف خياراتك للاشتراك في مجلة المخاطر.
تصفح المجلات.
يجب تسجيل الدخول لاستخدام هذه الميزة. إذا لم يكن لديك حساب خطر، يرجى التسجيل للحصول على محاكمة.
© إنفوبرو ديجيتال ريسك (إب) ليميتد، نشرت من قبل إنفوبرو ديجيتال ريسك ليميتد، هيماركيت هاوس، 28-29 هيماركيت، لندن SW1Y 4RX، هي شركات مسجلة في إنجلترا وويلز مع أرقام تسجيل الشركة 9232733 & أمب؛ 9232652.
الناشر الرقمي لهذا العام.
يجب تسجيل الدخول لاستخدام هذه الميزة. إذا لم يكن لديك حساب خطر، يرجى التسجيل للحصول على محاكمة.
أنت حاليا على دخول الشركات.
لاستخدام هذه الميزة سوف تحتاج إلى حساب فردي. إذا كان لديك واحد بالفعل يرجى تسجيل الدخول.
بدلا من ذلك يمكنك طلب حساب إندفيدوال هنا: