在價格增幅中搜索季節(jié)性形態(tài)

我們可以巡復(fù)合期研究常規(guī)周期。 我們來觀察一個金融產(chǎn)品每月波動的研究示例。 為此目的，我們將 IPython 語言和 赫茲股票量化軟件終端結(jié)合利用。

為了從終端直接導(dǎo)入報價更加容易，我們會用到以下代碼：

from MetaTrader5 import * from datetime import datetime import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline import seaborn; seaborn.set() # Initializing MT5 connection MT5Initialize("C:\\Program Files\\MetaTrader 5\\terminal64.exe") MT5WaitForTerminal() print(MT5TerminalInfo()) print(MT5Version())

指定您的終端路徑，該路徑可能與我的不同。

加入更多行來開始分析：

rates = pd.DataFrame(MT5CopyRatesRange("EURUSD", MT5_TIMEFRAME_D1, datetime(2010, 1, 1), datetime(2020, 1, 1)), ???????????????????? columns=['time', 'open', 'low', 'high', 'close', 'tick_volume', 'spread', 'real_volume']) # leave only 'time' and 'close' columns rates.drop(['open', 'low', 'high', 'tick_volume', 'spread', 'real_volume'], axis=1) # get percent change (price returns) returns = pd.DataFrame(rates['close'].pct_change(1)) returns = returns.set_index(rates['time']) returns = returns[1:] returns.head(5) Monthly_Returns = returns.groupby([returns.index.year.rename('year'), returns.index.month.rename('month')]).mean() Monthly_Returns.boxplot(column='close', by='month', figsize=(15, 8))

變量?rates?接收含有指定時間間隔（例如，在本示例中為 10 年）內(nèi)的價格數(shù)據(jù)幀。 假設(shè)我們只對收盤價感興趣（以此簡化往后的解釋）。 我們利用 rates.drop() 方法刪除不必要的數(shù)據(jù)列。赫茲股票量化軟件

隨時間和形勢趨勢變化，價格距均值會有偏移，因此統(tǒng)計分析不適用于此類原始序列。 百分比計量價格變化（價格增幅）通常在計量經(jīng)濟學中使用，以確保它們都位于相同的數(shù)值范圍內(nèi)。 可以利用?pd.DataFrame(rates['close'].pct_change(1))?方法接收百分比變化。

我們需要平均每月價格范圍。 我們來安排表格，以便接收按年增幅的月度平均值，并將其顯示在箱形圖中。

圖例 1. 月度平均價格增幅，覆蓋 10 年。

什么是箱形圖，以及如何解釋它們？

我們需要訪問選定區(qū)間內(nèi)的價格數(shù)據(jù)的波動性或其分布數(shù)據(jù)。 每個單獨的箱形圖（或箱須圖）都能直觀地展現(xiàn)數(shù)值如何沿數(shù)據(jù)集的分布。 不要把箱形圖與燭條圖混淆，盡管它們在外觀上可能相似。 與燭條圖不同，箱形圖基于五種讀數(shù)提供了一種顯示數(shù)據(jù)分布的標準化方法。

赫茲股票量化軟件

1. 中位數(shù)，Q2 或第 50 的百分數(shù)顯示數(shù)據(jù)集的平均值。 該值在圖例中的箱內(nèi)以綠色水平線示意。

2. 第一個四分位數(shù)，Q1（或第 25 的百分數(shù)）代表 Q2 和樣本中最小值之間的中位數(shù)，該中位數(shù)落在 99％ 置信區(qū)間內(nèi)。 它在圖中顯示為箱子的“實體”下邊緣。

3. 第三個四分位數(shù)，Q3（或第 75 的百分數(shù)）是 Q2 和最大值之間的中位數(shù)，顯示為箱子的“實體”上邊緣。

4. 箱子的實體形成了四分位間距（介于 25％ 和 75％ 之間），也稱為 IQR。

5. 箱子的須則充實了分布。 它們覆蓋了整個樣本的 99％，上方和下方的點表示超出 99％ 范圍的數(shù)值。

該數(shù)據(jù)足以評估波動范圍，和內(nèi)部范圍內(nèi)的數(shù)值離散度。

進一步分析季節(jié)性形態(tài)

我們更詳盡地研究圖例 1。 我們可以看到，第五個月（五月份）的增幅中位數(shù)偏移到零軸下方，且其異常值顯見高于零軸。 通常，從十年的統(tǒng)計數(shù)據(jù)里可以看出，五月份的市場相對于三月份有所下跌。 只有一個年份，五月份市場上漲。 這是一個有趣的思路，很符合交易者的格言“在五月份賣掉，并離開！”。赫茲股票量化軟件

我們看一下五月份之后的六月份。 相對于五月份，六月份市場幾乎總是（排除一年以外）在增長，這種情況每年都在重復(fù)。 六月份的波動范圍很小，沒有異常值（與五月份不同），這表明良好的季節(jié)性穩(wěn)定。

請注意第 11 個月（十一月份）。 在此期間市場下跌的概率很高。 之后，在十二月份，市場通常會再度上行。 一月份（第一個月）的波動性很高，且相對于十二月份有所下跌。

所獲得的數(shù)據(jù)可為交易決策提供很有用的基礎(chǔ)條件概覽。 而且，概率可以集成到交易系統(tǒng)當中。 例如，可以在某些月份執(zhí)行更多的買賣操作。赫茲股票量化軟件

月度周期數(shù)據(jù)非常有趣，但在較短的日線周期中能更深入地研究其可能性。

我們利用相同的 10 年度觀察一周中每個單獨交易日的價格增幅分布：

Daily_Returns = returns.groupby([returns.index.week.rename('week'), returns.index.dayofweek.rename('day')]).mean()

圖例 2. 按交易日計的平均價格增幅，覆蓋 10 年。

此處零對應(yīng)于星期一，四則對應(yīng)于星期五。 根據(jù)價格范圍，按日波動率幾乎保持不變。 然而不能據(jù)此得出結(jié)論，即在一周中的某個特定日期交易更為密集。 平均來說，市場在星期一和星期五時更傾向于下行非上行。 也許在一些單獨的月份中，按日分布的樣子會有所不同。 我們來執(zhí)行附加分析。赫茲股票量化軟件

# leave only one month "returns.index[~returns.index.month.isin([1])" returns = returns.drop(returns.index[~returns.index.month.isin([1])])

在上面的代碼中，1 表示一月份。 通過修改此值，我們可以從 10 年度里獲得任意月份的統(tǒng)計信息。

圖例 3. 按交易日的平均價格增幅，覆蓋 10 年（一月份）。

上圖展示了一月份按日的增幅分布。 與所有月份的摘要統(tǒng)計相比，該圖現(xiàn)在提供了更多有用的詳細信息。 它清晰地表明，周五市場趨于下跌。 只有 EURUSD 貨幣對沒有下跌（所示異常值高于零軸）。

此處是三月份的類似統(tǒng)計信息：

?圖例 4. 按交易日的平均價格增幅，覆蓋 10 年（三月份）。

三月份的統(tǒng)計數(shù)據(jù)與一月份的統(tǒng)計數(shù)據(jù)完全不同。 周一和周二（尤其是周二）表現(xiàn)出看跌趨勢。 所有周二的收盤價都大幅下降，而其余的幾天則在零軸附近波動（平均）。?

我們來看看十月份：

圖例 5. 按交易日的平均價格增幅，覆蓋 10 年（十月份）。

分析按星期的增幅分布沒有發(fā)現(xiàn)任何突出的形態(tài)。 我們只能單挑出周三，這天的價格走勢范圍和潛力最大。 所有其他日子上行和下行走勢的概率表現(xiàn)都相同，且有一些異常值。

季節(jié)性分析日內(nèi)形態(tài)

在創(chuàng)建交易系統(tǒng)時，通常要考慮日內(nèi)的分布，例如，除了日線和月線的分布，還要用到小時線數(shù)據(jù)。 這輕易就可做到。

研究每小時的價格增幅分布：

rates = pd.DataFrame(MT5CopyRatesRange("EURUSD", MT5_TIMEFRAME_M15, datetime(2010, 1, 1), datetime(2019, 11, 25)), ???????????????????? columns=['time', 'open', 'low', 'high', 'close', 'tick_volume', 'spread', 'real_volume']) # leave only 'time' and 'close' columns rates.drop(['open', 'low', 'high', 'tick_volume', 'spread', 'real_volume'], axis=1) # get percent change (price returns) returns = pd.DataFrame(rates['close'].pct_change(1)) returns = returns.set_index(rates['time']) returns = returns[1:] Hourly_Returns = returns.groupby([returns.index.day.rename('day'), returns.index.hour.rename('hour')]).median() Hourly_Returns.boxplot(column='close', by='hour', figsize=(10, 5))

這些是 10 年度的 15 分鐘時間幀報價。 另一個區(qū)別是，將數(shù)據(jù)按日和小時分組，以便得到子樣本中所有交易日的小時統(tǒng)計中值。

圖例 6. 按小時計平均價格增幅，覆蓋 10 年。

此處有必要知道終端的時區(qū)。 以我為例，其為 +2。 作為參考，我們的主要外匯交易時段的開盤和收盤時間寫為 UTC+2。

時段開盤價收盤價?太平洋區(qū)21.00?08.00亞洲區(qū)01.00?11.00歐洲區(qū)08.00?18.00美洲區(qū)14.00?00.00

太平洋時段的交易通常較平靜。 如果觀察箱子的大小，您會很容易注意到，在 21.00-08.00 之間范圍最小，這與平靜的交易相呼應(yīng)。 在歐洲時段美洲時段開盤后，范圍擴大，然后逐漸遞減。 似乎沒有明顯的周期性形態(tài)，而這種形態(tài)在日線時間幀內(nèi)卻很明顯。 平均增幅在零軸附近波動，且沒有清晰的上行或下行的小時線。

一個有趣的區(qū)間是 23.00（每周時段收盤），在此區(qū)間價格通常相對于 22.00 降低。 這可以表示為交易時段收盤時的修正。 在 00.00 點時價格相對于 23.00 有所增長，因此可以將其視為規(guī)律性。 很難檢測到更明顯的周期，但是我們對價格范圍有完整的全景，并且知道該時段的期望值。

用單個滯后造成增幅去趨勢化，可以掩蓋一些形態(tài)。 因此，按任意周期的移動均線來觀察去趨勢化數(shù)據(jù)是合理的。

按均線（MA）搜索去趨勢化季節(jié)性形態(tài)

正確檢測趨勢分量非常棘手。 有時，時間序列可能會太平滑。 在這種情況下，交易信號極少。 如果縮短平滑周期，那么高頻成交可能無法負擔點差和傭金。 我們編輯代碼，以便利用移動平均線進行去趨勢化：

rates = pd.DataFrame(MT5CopyRatesRange("EURUSD", MT5_TIMEFRAME_M15, datetime(2010, 1, 1), datetime(2019, 11, 25)), ???????????????????? columns=['time', 'open', 'low', 'high', 'close', 'tick_volume', 'spread', 'real_volume']) # leave only 'time' and 'close' columns rates = rates.drop(['open', 'low', 'high', 'tick_volume', 'spread', 'real_volume'], axis=1) rates = rates.set_index('time') # set the moving average period window = 25 # detrend tome series by MA ratesM = rates.rolling(window).mean() ratesD = rates[window:] - ratesM[window:] plt.figure(figsize=(10, 5)) plt.plot(rates) plt.plot(ratesM)