Systematische Investor

Zeitreihen-Matching mit Dynamic Time Warping DIES IST KEIN Anlageberatung. Die Informationen werden nur für Informationszwecke zur Verfügung gestellt. In den Zeitreihen Matching Post, habe ich 1-1 Abbildung auf die Compute Abstand zwischen der Abfrage (Strommuster) und Referenz (historische Zeitreihen). Folgende Diagramm visualisiert dieses Konzept. Der Abstand ist die Summe der vertikalen Linien. Ein alternativer Weg, um eine Zeitreihe zu einer anderen Karte ist Dynamic Time Warping (DTW). DTW-Algorithmus sucht nach Mindestabstand Zuordnung zwischen Abfrage und Referenz. Folgende Diagramm visualisiert one to many-Mapping mit DTW möglich. Um, wenn es einen Unterschied zwischen einfachen 1-1-Mapping und DTW zu überprüfen, werde ich für Zeitreihen Spiele, die ähnlich wie die jüngste von 90 Tagen nach SPY in den letzten 10 Jahren der Geschichte sind zu suchen. Folgenden Code lädt historische Preise von Yahoo Fiance, Setups, das Problem und berechnet euklidischen Abstand zum historischen Rollfenster mit der systematischen Investor Toolbox: Als nächstes wollen wir untersuchen, die Top 10 Spiele unter Verwendung von Dynamic Time Warping erreichbar. Ich werde die Dynamic Time Warping Umsetzung von dtw Paket. Beide Algorithmen produziert sehr ähnlich Spiele und sehr ähnliche Vorhersagen. Ich würde diese Vorhersagen zu verwenden, da eine Vermutung auf Marktwirkung für die Zukunft. Bisher sieht es aus wie der Markt wird nicht gehen werden in Vollgas in den nächsten 22 Tage. Um den vollständigen Quellcode für dieses Beispiel zu sehen, schauen Sie bitte in der bt. matching. dtw. test () Funktion in bt. test. r bei Github. Multi-Asset Backtest. Drehhandelsstrategien Ich möchte die Umsetzung der Drehhandelsstrategien zu diskutieren mit dem Backtesting-Bibliothek in der systematischen Investor Toolbox. Die Drehhandelsstrategie schaltet Investitionszuweisungen in der gesamten Zeit, die Wetten auf einige top-platzierten Vermögenswerte. Beispielsweise kann die Rangfolge auf die relative Stärke oder Dynamik beruhen. Ein paar Beispiele für die Drehhandelsstrategien (oder Taktische Asset Allocation) sind: Ich möchte auf die Drehhandels erläutern mit Hilfe des am ETF-Bildschirm im ETF-Sector-Strategie nach eingeführt Strategie. Jeden Monat legt diese Strategie in die Top zwei der 21 ETFs, sortiert nach ihrer 6 Monate zurückkehrt. Um den Umsatz, in den folgenden Monaten die ETF-Positionen, solange diese ETFs sind in den Top 6 Platz gehalten werden, zu reduzieren. Bevor wir diese Strategie umzusetzen, müssen wir zwei Hilfsroutinen erstellen. Zuerst erstellen wir eine Funktion, die die Top-N-Positionen für jeden Zeitraum wählen wird: Als nächstes erstellen wir eine Funktion, die die Top-N-Positionen für jeden Zeitraum wählen und halten Sie sie, bis sie unten KeepN Rang fallen wird: Jetzt sind wir bereit zur Umsetzung dieser Strategie mit Hilfe des Backtesting-Bibliothek in der systematischen Investor Toolbox: Es gibt viele Möglichkeiten, diese Strategie zu verbessern. Hier ist ein Beispiel Liste der zusätzlichen Möglichkeiten zu berücksichtigen: Betrachten wir eine Vielzahl von Ranking-Methoden. D. h. 1/2/3/6/12 Monate steht und deren Kombinationen, risikobereinigte Ranking. Um zu steuern, Drawdowns und erhöhen Sie die Leistung betrachten die Zeitsteuerungsmechanismus wie in einem quantitativen Ansatz, um Taktische Asset Allocation von M. Faber (2006) vorgestellt. Betrachten wir eine andere Asset-Universum. Fügen ETFs, die weniger korreliert den anderen Vermögenswerten sind, wie Commodities, Fixed Income und Internationale Aktienmärkte. Zum Beispiel haben Sie einen Blick auf das Einzel Herkunft International Strategie nach. Die einzige Grenze ist Ihre Vorstellungskraft. Ich würde auch empfehlen, um Sensitivitätsanalyse während der Strategieentwicklung zu tun, um sicherzustellen, dass Ihr keine Überanpassung der Daten. Um den vollständigen Quellcode für dieses Beispiel zu sehen, schauen Sie bitte in der bt. rotational. trading. test () Funktion in bt. test. r bei Github. Handel mit Garch Volatilitätsvorhersage Quantum Financier schrieb einen interessanten Artikel Regime Switching System Mit Volatilitätsvorhersage. Der Beitrag stellt einen eleganten Algorithmus, um zwischen Rückkehr zum Mittelwert und Trendfolge-Strategien auf der Grundlage der Marktvolatilität zu wechseln. Zwei Modells untersucht: eine mit der historischen Volatilität und eine weitere mit dem GARCH (1,1) Volatilität Vorhersage. Die Rückkehr zum Mittelwert Strategie mit RSI (2) modelliert: Lang beim RSI (2) und Short anders. Die Trendfolgestrategie mit SMA 50/200 Crossover modelliert: Lang bei SMA (50) & gt; SMA (200) und Short anders. Ich möchte zeigen, wie man diese Ideen mit der Backtesting-Bibliothek in der systematischen Investor Toolbox implementieren. Folgenden Code Lasten historische Preise von Yahoo Fiance und vergleicht die Leistung der Buy and Hold, Mean-Reversion und Trendfolge-Strategien mit Hilfe der Backtesting-Bibliothek in der systematischen Investor Toolbox: Als nächstes erstellen wir eine Strategie, die zwischen Rückkehr zum Mittelwert und Trendfolge-Strategien auf Basis der historischen Volatilität der Märkte schaltet. Als nächstes erstellen wir eine GARCH (1,1) Volatilität Vorhersage. Ich würde Lese folgenden Artikel für jedermann, zu finden, was GARCH geht oder ihre Kenntnisse auffrischen will empfehlen: GARCH (1,1) von David Harper einen sehr guten einführenden Artikel mit viel visuelle Diagramme. Praktische Fragen in univariate GARCH Modellierung von Y. Chalabi, D. Wurtz Schritt für Schritt Beispiel für pass GARCH (1,1) - Modell mit voller R-Code. Grundlegende Einführung in die von Quantum Financier GARCH ist eine Reihe von Stellen, die in den Angaben und Annahmen des GARCH und EGARCH geht. Es gibt ein paar R Pakete GARCH Modelle. Ich werde prüfen, GARCH Funktion aus tseries Paket und garchFit Funktion aus fGarch Paket. Das GARCH-Funktion aus tseries Paket ist schnell, aber nicht immer Lösung zu finden. Die garchFit Funktion aus fGarch Paket ist langsamer, aber konvergiert konsequenter. Um die Drehzahldifferenz zwischen GARCH Funktion und garchFit Funktion ich eine einfache Benchmark erstellt zu demonstrieren: Die garchFit Funktion ist im Durchschnitt 6 mal langsamer als GARCH-Funktion. Also, um die Volatilität Ich werde versuchen, GARCH Funktion nutzen zu prognostizieren, wann immer es eine Lösung und garchFit Funktion sonst finden. Nun erstellen wir eine Strategie, die zwischen Rückkehr zum Mittelwert und Trendfolgestrategien, die auf GARCH (1,1) Volatilität Sage schaltet. Die Schaltstrategie, die verwendet GARCH (1,1) Volatilitätsprognose etwas besser als die, die historische Volatilität verwendet. Es viele verschiedene Ansätze, die Sie ergreifen können, um Vorhersagen in Ihre Modelle und Trading-Strategien zu integrieren. R hat eine sehr reiche Sammlung von Paketen zu modellieren und zu Prognosezeitreihen. Hier sind einige Beispiele, die ich interessant fand: Marktprognosen für die Jahre 2011 und 2012 durch Pat Burns benutzt GARCH (1,1), die Bedeutung anderer Marktprognosen zu kalibrieren. ARMA Modelle für den Handel den Durchschnittsanleger ist eine Reihe von Stellen, die, wie man am nächsten Tag kehrt mit ARIMA und GARCH Modelle prognostizieren zeigt. Wunderbares neues Blog TimeSeriesIreland bei Timely Portfolio verwendet EGRACH zum Handelsmodell erstellen. Vorhersagen In R: The Greatest Verknüpfung, die die Ljung-Box-Fehlgeschlagen verwendet ARIMA-Modelle zum BIP prognostiziert. Um den vollständigen Quellcode für dieses Beispiel zu sehen, schauen Sie bitte in der bt. volatility. garch () Funktion in bt. test. r bei Github. Kalender Strategie: Monatsende Kalender Strategie ist eine sehr einfache Strategie, eine verkauft an den vorbestimmten Tagen im voraus bekannt kauft. Heute möchte ich zeigen, wie wir leicht zu untersuchen Leistung bei und in der Nähe zum Monatsende Tagen. Erstens können laden historische Preise für SPY von Yahoo Fiance und berechnen SPY perfromance an den Monatsenden. D. h. Strategie Long-Position am Ende auf dem 30. und biete Position am Ende auf der 31.. Bitte beachten Sie, dass oben in der btn. share Aufruf Parameter gleich Null ist (der Standardwert für den Parameter do. lag gehört) I do. lag. Der Grund für die Voreinstellung gleich eins ist auf Signal (Entscheidung für den Handel) wird unter Verwendung aller verfügbaren Informationen heute abgeleitet, so dass die Position nur umsetzen nächsten Tag werden. D. h. Jedoch im Falle des Kalender Strategie gibt es keine Notwendigkeit, Nacheilungssignal weil der Abschluss - im Voraus bekannt ist. D. h. Als nächstes habe ich zwei Funktionen mit Signal Kreation und Strategie Testen zu helfen: Oben, ist T0 ein Kalender-Strategie, die am 30. kauft und verkauft am 31.. D. h. Position wird nur auf einer Monatsende Tag statt. P1 und P2 sind zwei Strategien, die einen Tag vor und zwei Tage vor entsprechend zu kaufen. N1 und N2 sind zwei Strategien, die einen Tag nach dem Kauf und zwei Tage nach entsprechend. Die N1-Strategie, kaufen am 31. und verkaufen im 1. im nächsten Monat zu sein scheint am besten für SPY arbeiten. Schließlich sehen wir uns den tatsächlichen Trades: Die P2-Strategie in Position am Ende 3 Tage vor dem Monatsende und tritt Positionen an den nahe 2 Tage vor dem Monatsende. D. h. die Leistung ist auf Grund gibt nur 2 Tage vor dem Monatsende. Mit diesem Beitrag wollte ich zeigen, wie leicht können wir Kalender Strategie Leistung durch den systematischen Investor Toolbox studieren. Als nächstes werde ich Kalenderstrategie Anwendungen Vielzahl von wichtigen Daten zu demonstrieren. Um den vollständigen Quellcode für dieses Beispiel zu sehen, schauen Sie bitte in der bt. calendar. strategy. month. end. test () Funktion in bt. test. r bei Github. Stochastic-Oszillators Ich stieß auf den Link, um den John Ehlers Papier: Predictive Indikatoren für erfolgreiche Handelsstrategien. beim Lesen der Dekalog Blog. John Ehlers bietet einen anderen Weg, um die Preise zu glätten und integrieren den neuen Filter in der Oszillatorkonstruktion. Glücklicherweise wurde die Easylanguage-Code auch vorgesehen, und ich war in der Lage, es in R. übersetzen Zeitreihen-Matching DIES IST KEIN Anlageberatung. Die Informationen werden nur für Informationszwecke zur Verfügung gestellt. Möchten Sie wissen, was SP 500 wird in der nächsten Woche, Monat, Quartal machen? Ein Weg, um eine Vermutung zu machen ist es, ähnlich wie bei der aktuellen Marktumfeld historischen Epochen zu finden, und zu untersuchen, was passiert ist. Ich werde diesen Prozess Zeitreihe passende nennen, aber Sie haben eine ähnliche Techniken wie technische Muster und Fraktale bezeichnet finden konnte. Um etwas Aroma über Fraktale zu erhalten, sind folgende zwei Artikel las ich vor kurzem über Fraktale: Ich empfehle die Lektüre folgenden Artikel über die Zeitreihe Anpassung an unterschiedliche Ansätze zu verstehen: Ich will ein einfaches Verfahren in der beschriebenen Wie Beschleunigen Modell Deployment mit Rook von Jean-Robert Avettand-Fenoel Artikel, um Zeitreihen Spiele, die ähnlich wie die jüngste von 90 Tagen nach SPY sind zu finden benutzen. Folgenden Code lädt historische Preise von Yahoo Fiance, Setups, das Problem und berechnet euklidischen Abstand zum historischen Rollfenster mit der systematischen Investor Toolbox: Als nächstes können wählen Sie die besten 10 Treffer auf die Anfrage Muster in der SPY Geschichte: Als nächstes können überlagern alle Übereinstimmungen mit der Abfragemuster und untersuchen ihre bisherigen Ergebnisse nach dem Spiel fand: Als nächstes können zusammenfassen, alle in einer Tabelle übereinstimmt Leistung: Die Zeitreihen-Matching Analyse kann verwendet werden, um eine Vermutung, was SP 500 wird in der nächsten Woche, Monat, Quartal zu tun zu machen. Diese Vermutung basiert auf historischen Daten und gibt es keine Garantien, dass die Geschichte wird sich wiederholen. Im nächsten Beitrag werde ich andere Abstandsmaße für die Zeitreihen Matching zu untersuchen, und ich werde ein Beispiel Dynamic Time Warping zeigen. Um den vollständigen Quellcode für dieses Beispiel zu sehen, schauen Sie bitte in der bt. matching. test () Funktion in bt. test. r bei Github.