我認為對交易系統的研究是構建交易策略的主要問題。 我們的主要目標是製定一個策略,該策略將在未來取得成功,而不僅僅是回測(曲線擬合)。 這就是為什麼我認為從描述創建交易策略的兩種方法開始這個主題是正確的。

交易系統研究的兩種方法:數據挖掘和統計 vs 市場結構研究

市場結構研究

市場結構研究

了解低效率的本質,這是系統收益的基礎。 對於推測,其依據可以用巴菲特的格言來表達:“如果你已經玩了半個小時的撲克,但你仍然不知道誰是 patsy,那麼你就是 patsy。” 如果你不知道誰在交易所輸了,那麼你就輸了。 你在交易時應該知道這一點。 為了在一個系統上賺錢,其他交易者必須在這個系統上虧損。 同樣,交易是一場零和遊戲。 了解市場現象與“將意見拖入市場”有很大的不同。

首先,我們對一種或另一種類型的參與者的行為提出假設。 然後我們用價格、數量等來表達這個假設。 只有這樣我們才能在歷史上檢驗這個假設。 如果它完全按照我們的假設“聚集在一起”,那麼這只是一次事故的可能性極低。 通過這種方式,我們同時獲得了“內置”魯棒性和“觸發器”,其性能使我們能夠判斷該現像已經死亡。

例如:

  1. 共同基金有一些常見的行為模式,例如,他們在月底前幾天賣出流動性股票,並在新月初的前兩三天買入。 因此,您可以識別它們並嘗試根據這些價格變動構建均值回歸交易策略。
  2. 2014年巴西出現霜凍,咖啡價格大幅上漲。 這就像咖啡作物的大量損失。 那些在出口證書中獲得了巴西咖啡出口量數據的人發現,準備出口的咖啡量並沒有下降太多。 *對於出口,您必須首先獲得證書(您必須提供有關咖啡數量和批次的信息以進行分析)。 也就是說,農民看到霜凍危害不那麼嚴重,就大膽地賣掉了咖啡。 價格隨後回到之前的水平。

這種方法的優點:

  • 了解過程及其機制
  • 能夠及時開始和停止交易

這種方法的缺點:

  • 研究的複雜性(很多額外的非價格信息)
  • 監控的複雜性

數據挖掘和統計方法

數據挖掘是計算機科學的一個子集。 它將計算機科學、機器學習、人工智能的一個子類別和數據庫系統的分支與統計結合在一起。 它是在大數據集中發現信息的過程。 數據挖掘的目標是將數據集轉換為可理解和可用的信息。

您可以使用價格和非價格數據針對任何市場或時間範圍使用機器學習技術開發和研究策略。 您可以生成並驗證數百萬種不同的進入和退出條件、訂單類型和價格水平,以根據您的選擇標準找到最佳表現策略——例如,淨利潤、收益與回撤、夏普比率等。

擬合的來源可能是一組絕對隨機的巧合,也可能是某個長期作用於測試期間重要部分的因素,而不是它在未來會繼續存在的事實。 例如,長期看漲趨勢和長期交易系統的優勢。

“不要將天才與牛市混為一談”(с)。

但可能還有其他例子——例如長期持平期或趨勢等。當然,人們可以在這裡爭辯說,任何系統都使用了一個長期的有利階段,並且不能保證這種情況會持續下去。 如果您知道何時停止,您只能在牛市中成為牛市。 如果系統的有利階段的分配以系統過濾器的形式形式化和實施,那麼這是好的。 但一切都不能形式化和事先知道。 為此,存在拒絕系統、樣本外驗證等的標準。

這種方法的優點:

  • 研究速度
  • 通過正式標準簡化監控
  • 您可以同時交易數十種策略

這種方法的缺點:

  • 消除低效的額外成本(延遲開始和停止交易)
  • 不了解市場微觀結構。

均值回歸與動量策略

均值回歸與動量策略

動量和均值回歸是 2 個全局類,幾乎包括所有交易系統。 這是兩個對立面。 價格的屬性是繼續運動,而價格的屬性是反轉。

誰喜歡物理類比,那麼 Momentum 具有物理物體在初始衝動停止作用後仍繼續運動的特性,而均值回歸就像一個鐘擺,通過衝動通過平衡點,被迫返回它。

它們似乎彼此相反,但它們都運作良好。 原因可能是它們在不同的時間範圍內工作。 如果概括起來,原因在於投資者的行為方式。

趨勢跟踪(動量)策略有著悠久的業績記錄。 著名的表達“趨勢是你的朋友”,它指的是動量。 片面的,卻是為上個世紀的趨勢股市而寫的。

均值回歸,尤其是在較短的時間範圍內,效果很好。 讓我們看看趨勢跟踪策略

為什麼趨勢跟踪策略有效?

當您查看過去一年左右的回報趨勢時,趨勢跟踪會起作用。 如果您查看更短的持續時間(如上個月的趨勢)並嘗試跟隨,您可能會失去襯衫。 當趨勢跟踪策略起作用時,它們通常會獲得巨大收益。 但是當他們不工作時,他們的損失很小。 這稱為“正偏斜”。

一些動量指標

  1. 強制出售/購買各類基金的資產(交易量)。
  2. 時間序列動量。 價格序列的過去回報與未來回報呈正相關。
  3. 流動性限制。 為了進入或退出大尺寸,交易者被迫將其分成幾部分。 由於其周期性交易,在特定時間範圍內形成運動。
  4. 特定水平或特定時間點的臨時流動性故障。 例如,當可供出售的流動性較低時(如果在交易所進行限價訂單),那麼即使是相對較小的購買量也會引起顯著的上升脈衝。

什麼是均值回歸策略

由於短期供需失衡,均值回歸有效。 通常,人們在短時間內(幾分鐘或幾天甚至幾微秒)採用均值回歸策略。交易的微秒部分將是高頻交易。它可以是配對交易、點差交易、套利和準套利是相同的;它們打開資產價格差異較大的頭寸。

均值回歸策略收益小,損失大。 它應該在大部分時間都有效,為了避免巨大的損失,我們需要非常嚴格的機械化風險管理。

一些均值回歸指標

  1. 低波動性(外匯午夜時間)。
  2. 限價單方相對於市價單方的臨時強度。 在特定時間,全天候市場通常就是這種情況。
  3. 許多參與者(不僅是投機者)的入場之後是出場(關閉這些頭寸)。 例如,大多數進入多頭頭寸的日內股票交易者會在交易時段結束時賣出。 它會產生相反的運動。

有廣義的數學模型嗎?

有幾種模型 - Hurst 指數、H 波動率和其他一些模型,它們立即包含動量和均值回歸模型以及 3 個中間狀態。 例如,有一個協整模型,它的創造者因此獲得了諾貝爾獎。 這是均值回歸的廣義模型。

股票上漲趨勢動量多頭策略示例

你可以在 https://rtrader.umstel.com/. 該策略基於一種算法,該算法允許您在 30 分鐘圖表上確定動量買入的開始,並朝著上升趨勢方向發展。

  • AAPL,最低 30 時間範圍。
  • 多頭入場信號:最後三個柱的開盤價高於前一根,收盤價高於前一根。 EMA(14) > EMA(50)。
  • 並且 EMA(14) 與 EMA(50) 之間的差異小於 3%。
  • 退出信號:獲利 = 100 點,止損 = 50 點或 SMA(9)
  • 訂單量:100股。
  • 時間:工作日,16:40-22:40。
回測。 該圖表是在 R Trader Strategy Builder 中繪製的
回測。 該圖表是在 R Trader Strategy Builder 中繪製的

在下一篇文章中,我們將更詳細地討論構建和測試算法策略。

您的到來!


材料是由

R 博客的主編。