Pca Trading กลยุทธ์

ฉันได้รับมอบหมายกับการวิจัยกลยุทธ์การซื้อขายที่เกี่ยวข้องกับ PCA เพื่อซื้อขายตราสารหนี้ฟิวเจอร์สคงที่ apparently PCA ใช้บ่อยในพื้นที่นี้ฉัน m มองหาการอ้างอิงบางอย่างสำหรับการได้รับความคิดพื้นฐานของสิ่งที่กลยุทธ์อาจมีลักษณะเช่นฉันไม่ต้องการชนะ กลยุทธ์ - เพียงเค้าร่างของวิธี PCA อาจเป็นประโยชน์ในการสร้างสัญญาณการซื้อขายฉันเข้าใจคณิตศาสตร์หลัง PCA และได้ใช้มันในพื้นที่อื่น ๆ แต่การใช้งานเพื่อการเงินใหม่ me. asked 6 มกราคม 15 ที่ 18 13. หนึ่งใน ชิ้นส่วนที่ดีที่สุดที่เคยเขียนในหัวข้อนี้คือหลักการของ Salomon Principal Components ซึ่งพร้อมใช้งานบนอินเทอร์เน็ตฉันไม่ได้อ่านรายละเอียดเนื่องจากบทความนี้ครอบคลุมเนื้อหาที่น่าขัน แต่แนวคิดพื้นฐานก็ตรงไปตรงมา - ถ้าคุณใช้ PCA ขึ้นอยู่กับอัตราผลตอบแทนองค์ประกอบสามตัวแรกจับความแปรปรวนมากที่สุดโดยมีปัจจัยสามประการที่แปลว่าระดับความลาดเอียงและความโค้งของเส้นโค้งโดยทั่วไปโปรแกรมประยุกต์ที่ใช้กันอย่างแพร่หลายมากที่สุดสำหรับ PCA คือการซื้อขายผีเสื้อเช่นคุณอาจซื้อสัญญา TY กับ FV และ WN หรือคุณอาจซื้อ EDZ6 กับ EDZ5 และ EDZ4 PCA ช่วยให้คุณสามารถคำนวณความเสี่ยงที่จำเป็นต่อน้ำหนักได้เพื่อให้โครงสร้างมีความเป็นกลางกับองค์ประกอบหลักสองตัวแรกนี้ช่วยให้คุณสามารถมุ่งเน้น ในการซื้อขายเส้นโค้งของเส้นอัตราผลตอบแทนโดยไม่ต้องเสี่ยงกับความลาดชันระดับตอบ 6 ม. ค. 52 ที่ 19 39. เป็นข้อสังเกตเชิงประจักษ์ แต่เป็นผลมาจากการที่เส้นอัตราผลตอบแทนมีการซื้อขายอย่างไร คุณจะเกือบจะพบว่าระยะเวลาเช่นระดับผลตอบแทนที่สวยมากเป็นปัจจัยที่สำคัญที่สุดเพียงอย่างเดียวก็ยังเป็นสิ่งที่คนพูดคุยเกี่ยวกับผลตอบแทน 10 ปีมากที่สุดไม่ BLAH วันนี้ความลาดชันแน่นอนสิ่งถัดไปที่เกี่ยวกับจิตใจของผู้คน เส้นโค้งอัตราผลตอบแทนวัวแบนหมี steepened ฯลฯ วันนี้ Curvature เกือบจะไม่เคยกล่าวถึงในการกดและย่อมเป็นปัจจัยที่มีขนาดเล็กมากในการขับรถโค้งการเคลื่อนไหวรายวันการเคลื่อนไหว Helin Gai 6 ม. ค. ที่ 21 22 ให้คุณมี multifactorial รูปแบบที่ใช้เป็นปัจจัยการผลิตเกี่ยวกับ 10.20 ตัวแปรคงที่อ่อนแอภายนอกจากนั้นคุณสามารถใช้ PCA เพื่อรับเพียง 3.4 ตัวแปรมุมฉากเพื่อลดความซับซ้อนของรูปแบบของคุณโดยไม่สูญเสียข้อมูลมากเกินไปอาจเป็นครั้งแรก 3.4 องค์ประกอบหลักอธิบายมากกว่า 90 ตัวแปร 10.20 เดิมรวมความแปรปรวน ตัวอย่างเช่นผู้ค้าทางเทคนิคมักใช้ดัชนีชี้วัดเช่น MACD, RSI, stochastic และอื่น ๆ ซึ่งอาจเป็นตัวประกอบหลักแรกของตัวชี้วัดเหล่านี้ชี้แจงมากกว่า 95 ตัวชี้วัดทั้งหมด Lisa Ann 2 พ. ค. 52 ที่ 9 54.o ตอบคำถามของคุณเราต้องมองไปที่สิ่งที่มันไม่ PLCA เป็นทางคณิตศาสตร์ที่กำหนดไว้เป็นการแปลงเชิงเส้นฉากที่แปลงข้อมูลไปยังระบบพิกัดใหม่เช่นที่เวกเตอร์ข่าวเป็น orthogonals และอธิบายส่วนหลักของความแปรปรวนของครั้งแรก set. It เอาการ matrice N x M เป็น input, N หมายถึงการซ้ำซ้อน differents ของการทดลองและ M ผลของ probe เฉพาะจะให้ทิศทางหรือ คอมโพเนนต์หลักที่อธิบายความแตกต่างของชุดข้อมูลของคุณดังนั้นทุกอย่างขึ้นอยู่กับสิ่งที่คุณป้อนเข้า PCA ของคุณฉันใช้ PCA เพื่อดูความสัมพันธ์ของตลาดดังนั้นฉันจึงป้อนราคา M เหนือ N ครั้งคุณสามารถป้อนข้อมูล differents วัด greeks, futures ของหุ้นเดี่ยว การใช้ของฉันจะให้ความสัมพันธ์ของราคาหุ้นกับตลาดที่เรียกว่าเบต้าใช้อื่น ๆ จะให้ความสัมพันธ์ระหว่างตัวชี้วัดทางเทคนิคที่แตกต่างกันของหุ้นและดีฉันเดาคุณจะได้รับผลที่น่าสนใจบางอย่างกับ differents ตัวบ่งชี้มากกว่าหุ้น differents อย่าลืมเกี่ยวกับการประมวลผลก่อนที่คุณจะเห็นที่นี่ Data Synchronization มีบางปัญหาที่ยุ่งยากกับ datas. It ตลาดยังขึ้นอยู่กับสิ่งที่คุณทำกับผลลัพธ์ของคุณคุณสามารถใช้เกณฑ์ในการลบองค์ประกอบที่มีความแปรปรวนน้อย ลดขนาดของชุดข้อมูลของคุณนี่คือเป้าหมายตามปกติของ PCA จะให้จำนวนหุ้นที่ลดลงเพื่อสร้างพอร์ตการลงทุนเพื่อประมาณความเสี่ยงของกำไร แต่คุณสามารถโพสต์ที่ซับซ้อนมากขึ้น กินที่นี่คุณสามารถดูการใช้ PCA รวมกับทฤษฎีเมทริกซ์แบบสุ่มเพื่อลบเสียงของตลาด PCA เป็นเครื่องมือเครื่องมือที่มีประสิทธิภาพมาก แต่เพียงเครื่องมือผลของคุณจะขึ้นอยู่กับวิธีการที่คุณใช้ความเสี่ยงคือการใช้ มันมากเกินไปคุณรู้ว่าสิ่งที่พวกเขากล่าวว่าถ้าคุณมีค้อนทุกปัญหาดูเหมือนเล็บในการโพสต์ก่อนหน้านี้ฉันปัจจุบันวิธีการหนึ่งสามารถใช้การวิเคราะห์องค์ประกอบหลักในการได้รับปัจจัยความเสี่ยงนอกจากนี้โดยใช้ PCA, eigenportfolio ที่แตกต่างกันได้ ดูเป็นคู่ค้าที่ระดับของภาคความคิดขึ้นอยู่กับหลักการเชื่อมโยงกันดู Avellaneda 2002 เมื่อ บริษัท มีการจัดเรียงตามค่าสัมประสิทธิ์ของพวกเขาในนิพจน์ที่กำหนด บริษัท ในอุตสาหกรรมเดียวกันหรือภาคจะจัดกลุ่มเข้าด้วยกันพล็อตของค่าสัมประสิทธิ์การเรียงลำดับ vs บริษัท ที่เกี่ยวข้องช่วยให้สังเกตว่าเพื่อนบ้านของ บริษัท หนึ่งมีแนวโน้มที่จะอยู่ในกลุ่มอุตสาหกรรมเดียวกันในบทความนี้ผมนำเสนอวิธีการของการซื้อขายคู่ที่คู่จะเกิดขึ้นโดยใช้ PCA และ cohere nce หลักการนี้เป็นเพียงวิธีการทำฉัน m นำเสนอวิธีการหลักการเชื่อมโยงกันถือไว้ในกรณีนี้หุ้นของอุตสาหกรรมเดียวกันจะถูกจัดกลุ่มเข้าด้วยกันเพื่อวัตถุประสงค์ภาพประกอบฉันใช้หุ้นด้านบนใน eigenvector Third หุ้นเหล่านี้เป็นของ ภาคเดียวกันวัสดุพื้นฐานฉันเลือกผู้สมัครสองรายเพื่อทดสอบกลยุทธ์การซื้อขายคู่ SWN และ CNX ฉันไม่อ้างว่านี่คือทางเลือกที่ดีที่สุดหรือกลยุทธ์ที่ดีที่สุดเช่นฉันกล่าวว่านี่เป็นเพียงวิธีการที่ต้องทำเพื่อความเรียบง่าย , ทั้งสองชุดอยู่ในแฟ้มเดียวกันนี่คือรหัส R โหลดไฟล์ library. library tseries อ่านไฟล์ที่ชื่อว่า R. กำหนดตัวแปรสองตัวแปรที่ใช้ในการทดสอบกลยุทธ์การซื้อขายแบบคู่ค้าข้อมูล S, 2 cnx data S, 3. แบบจำลองการถดถอยเชิงเส้นแบบง่ายๆโดยไม่มีการสกัดกั้นและการสร้างการแพร่กระจาย S y-hedgeratio x รุ่นเบต้าที่แสดงถึงค่าสัมประสิทธิ์แรกของรูปแบบคือ hedgeratio. cnx 0 beta coef lmresult 1 spread swn-beta cnx ทดสอบการรวมตัวโดยใช้การทดสอบ Augmented Dickey-Fuller สำหรับรากของหน่วยการทดสอบจะดำเนินการในระดับที่ 5 และมีทางเลือกอื่น ๆ สำหรับ stationCAD, k 0 ถ้า 0 05 cat การแพร่กระจายนี้น่าจะหมายถึงการกลับมาอีกครั้ง n cat การแพร่กระจายไม่ได้หมายถึงการคืนค่า n แยกข้อมูลออกเป็นชุดการฝึกอบรมและชุดทดสอบเพื่อทำ Backtest กลยุทธ์การซื้อขายคู่และเพิ่มประสิทธิภาพพารามิเตอร์ กำหนดดัชนีสำหรับชุดฝึกอบรม trainset 1 100 1 ข้อมูลความยาว S, 1 ชุดทดสอบความยาว 1 ชุดข้อมูลความยาว 1, 1. กำหนดอัตราส่วนการป้องกันความเสี่ยงในชุดการฝึกอบรมแบบจำลองการถดถอยเชิงเส้นแบบง่ายบน trainset กำหนด spreadets cnx trainset, hedgeratio coef lmresult 1 แพร่กระจาย swn hedgeratio cnx การแพร่กระจายพล็อตชนิด l คำอธิบาย Spread. spreadMean หมายถึง spread trainset, Spread Spread ของ cat SpreadMean, n spreadStdDev sd spread trainset, ค่าเบี่ยงเบนมาตรฐาน Cat Spead, spreadStdDev, n Z-score ของ Spread กำหนดกลยุทธ์ซื้อ Spread เมื่อค่าลดลงต่ำกว่า 2 เบี่ยงเบนมาตรฐานและกางเกงขาสั้นแพร่กระจายเมื่อค่าของมันสูงกว่า 2 ส่วนเบี่ยงเบนมาตรฐาน zcore มีส่วนเบี่ยงเบนมาตรฐาน 1. ตำแหน่ง Exir เมื่อมีการเบี่ยงเบนมาตรฐานภายใน 1 ค่าเฉลี่ย กำหนดตำแหน่ง matrix. posMatrix matrix NaN ข้อมูลความยาว 1, 2 posMatrix longPos, 1 posMatrix longPos, 2 -1 posMatrix shortPos, 1 -1 posMatrix shortPos, 2 1 posMatrix existPos, 0.Return dataS, 2 3-lagg dataS , 2 3 lagg dataS, 2 3.sharpeTrainset ความยาว trainset sqrt หมายความว่า pnl 2 ความยาว trainset sd pnl 2 ความยาว trainset cat อัตราส่วน sharpe ในชุดฝึกคือ sharpeTrainset, n. อัตราส่วน Sharpe บนชุดทดสอบ tests. sharpeTestset sqrt ความยาวหมายถึงการทดสอบ pnl sd pnl testset แมวอัตราส่วน sharpe ในชุดทดสอบคือ sharpeTestset, n ความยาวของข้อมูล S, 1, 1 x 1 ข้อมูลความยาว 1, 1, 1 y 2 ข้อมูลความยาว 1, 2 x 1 ข้อมูลความยาว 1, 2, 2 return y