我认为对交易系统的研究是构建交易策略的主要问题。 我们的主要目标是制定一个策略,该策略将在未来成功,而不仅仅是在回测(曲线拟合)上。 这就是为什么我认为从描述创建交易策略的两种方法开始这个主题是正确的。

交易系统研究的两种方法:数据挖掘和统计 vs 市场结构研究

市场结构研究

市场结构研究

了解低效率的本质,这是系统收益的基础。 对于推测,其依据可以用巴菲特的格言来表达:“如果你已经玩了半个小时的扑克,但你仍然不知道谁是 patsy,那么你就是 patsy。” 如果你不知道谁在交易所输了,那么你就输了。 你在交易时应该知道这一点。 为了在一个系统上赚钱,其他交易者必须在这个系统上亏损。 同样,交易是一场零和游戏。 了解市场现象与“将意见拖到市场上”有很大的不同。

首先,我们对一种或另一种类型的参与者的行为提出假设。 然后我们用价格、数量等来表达这个假设。 只有这样我们才能在历史上检验这个假设。 如果它完全按照我们的假设“聚集在一起”,那么这只是一次事故的可能性极低。 通过这种方式,我们同时获得了“内置”鲁棒性和“触发器”,其性能使我们能够判断该现象已经死亡。

例如:

  1. 共同基金有一些常见的行为模式,例如,他们在月底前几天卖出流动性股票,并在新月初的前两三天买入。 因此,您可以识别它们并尝试根据这些价格变动构建均值回归交易策略。
  2. 2014年巴西出现霜冻,咖啡价格大幅上涨。 这就像咖啡作物的大量损失。 那些在出口证书中获得了巴西咖啡出口量数据的人发现,准备出口的咖啡量并没有下降太多。 *对于出口,您必须首先获得证书(您必须提供有关咖啡数量和批次的信息以进行分析)。 也就是说,农民看到霜冻危害没有那么严重,就大胆地卖掉了咖啡。 价格随后回到之前的水平。

这种方法的优点:

  • 了解过程及其机制
  • 能够及时开始和停止交易

这种方法的缺点:

  • 研究的复杂性(很多额外的非价格信息)
  • 监控的复杂性

数据挖掘和统计方法

数据挖掘是计算机科学的一个子集。 它将计算机科学、机器学习、人工智能的一个子类别和数据库系统的分支与统计结合在一起。 它是在大数据集中发现信息的过程。 数据挖掘的目标是将数据集转换为可理解和可用的信息。

您可以使用价格和非价格数据针对任何市场或时间范围使用机器学习技术开发和研究策略。 您可以生成并验证数百万种不同的进入和退出条件、订单类型和价格水平,以根据您的选择标准找到最佳表现策略——例如,净利润、收益与回撤、夏普比率等。

拟合的来源可能是一组绝对随机的巧合,也可能是某个长期持续的因素,这些因素作用于测试期间的重要部分,但不是它将来会继续存在的事实。 例如,长期看涨趋势和长期交易系统的优势。

“不要将天才与牛市混为一谈”(с)。

但可能还有其他例子——例如长期持平期或趋势等。当然,人们可以在这里争辩说,任何系统都使用了一个长期的有利阶段,并且不能保证这种情况会持续下去。 如果您知道何时停止,您只能在牛市中成为牛市。 如果系统的有利阶段的分配以系统过滤器的形式形式化和实施,那么这是好的。 但一切都不能形式化和事先知道。 为此,存在拒绝系统、样本外验证等的标准。

这种方法的优点:

  • 研究速度
  • 通过正式标准简化监控
  • 您可以同时交易数十种策略

这种方法的缺点:

  • 消除低效的额外成本(延迟开始和停止交易)
  • 不了解市场微观结构。

均值回归与动量策略

均值回归与动量策略

动量和均值回归是 2 个全局类,几乎包括所有交易系统。 这是两个对立面。 价格的属性是继续移动,而价格的属性是反转。

谁喜欢物理类比,那么 Momentum 具有物理物体在初始冲动停止作用后仍继续运动的特性,而均值回归就像一个钟摆,通过冲动通过平衡点,被迫返回它。

它们似乎彼此相反,但它们都运作良好。 原因可能是它们在不同的时间范围内工作。 如果你概括,原因是投资者的行为方式。

趋势跟踪(动量)策略有着悠久的业绩记录。 著名的表达“趋势是你的朋友”,它指的是动量。 片面的,却是为上个世纪的股市趋势而写的。

均值回归,尤其是在较短的时间范围内,效果很好。 让我们看看趋势跟踪策略

为什么趋势跟踪策略有效?

当您查看过去一年左右的回报趋势时,趋势跟踪会起作用。 如果您查看更短的持续时间(如上个月的趋势)并尝试跟随,您可能会失去衬衫。 当趋势跟踪策略起作用时,它们通常会获得巨大收益。 但是当他们不工作时,他们的损失很小。 这称为“正偏斜”。

一些动量指标

  1. 强制出售/购买各类基金的资产(交易量)。
  2. 时间序列动量。 价格序列的过去回报与未来回报呈正相关。
  3. 流动性限制。 为了进入或退出大尺寸,交易者被迫将其分成几部分。 由于其周期性交易,在特定时间范围内形成运动。
  4. 特定水平或特定时间点的临时流动性故障。 例如,当可供出售的流动性较低时(如果在交易所进行限价订单),那么即使是相对较小的购买量也会引起显着的上升脉冲。

什么是均值回归策略

由于短期供需失衡,均值回归有效。 通常,人们在短时间内(几分钟或几天甚至几微秒)采用均值回归策略。交易的微秒部分将是高频交易。它可以是配对交易、点差交易、套利和准套利是相同的;它们打开资产价格差异较大的头寸。

均值回归策略收益小,损失大。 它应该在大部分时间都有效,为了避免巨大的损失,我们需要非常严格的机械化风险管理。

一些均值回归指标

  1. 低波动性(外汇午夜时间)。
  2. 限价单方相对于市价单方的临时强度。 在特定时间,全天候市场通常就是这种情况。
  3. 许多参与者(不仅是投机者)的入场之后是出场(关闭这些头寸)。 例如,大多数进入多头头寸的日内股票交易者会在交易时段结束时卖出。 它会产生相反的运动。

有广义的数学模型吗?

有几种模型 - Hurst 指数、H 波动率和其他一些模型,它们立即包含动量和均值回归模型以及 3 个中间状态。 例如,有一个协整模型,它的创造者因此获得了诺贝尔奖。 这是均值回归的广义模型。

股票上涨趋势动量多头策略示例

你可以在 https://rtrader.umstel.com/. 该策略基于一种算法,该算法允许您在 30 分钟图表上确定动量买入的开始,并朝着上升趋势方向发展。

  • AAPL,最低 30 时间范围。
  • 多头入场信号:最后三个柱的开盘价高于前一根,收盘价高于前一根。 EMA(14) > EMA(50)。
  • 并且 EMA(14) 与 EMA(50) 之间的差异小于 3%。
  • 退出信号:获利 = 100 点,止损 = 50 点或 SMA(9)
  • 订单量:100股。
  • 时间:工作日,16:40-22:40。
回测。 该图表是在 R Trader Strategy Builder 中绘制的
回测。 该图表是在 R Trader Strategy Builder 中绘制的

在下一篇文章中,我们将更详细地讨论构建和测试算法策略。

看到您的到来!


材料是由

R 博客的主编。