最美情侣中文字幕电影,在线麻豆精品传媒,在线网站高清黄,久久黄色视频

歡迎光臨散文網(wǎng) 會員登陸 & 注冊

拓端tecdat|R語言動量交易策略分析調(diào)整后的數(shù)據(jù)

2021-06-30 23:25 作者:拓端tecdat  | 我要投稿

原文鏈接：http://tecdat.cn/?p=18686

原文出處：拓端數(shù)據(jù)部落公眾號

用于動量策略中所謂的動量（Momentum），是指某一對象所具有的一種傾向于保持其原有屬性或特征的性質(zhì)，也可以簡單理解成一種惰性（Inertia）。股票的動量，簡單地說就是漲的還會接著漲，跌的還會接著跌；過去漲得越猛，未來漲的也就越猛；過去跌得越狠，未來也會跌的越狠。

下面，本文將嘗試將動量策略應(yīng)用于調(diào)整后的數(shù)據(jù)（歷史價(jià)格，股息和拆分?jǐn)?shù)據(jù)，以預(yù)測公司的未來或獲得市場見解）：

  1. #*****************************************************************

  2. # 加載一天結(jié)束時(shí)的歷史數(shù)據(jù)

  3. #*****************************************************************


  5. # 股票代碼

  6. tickers = '

  7. AGG

  8. DBC

  9. EEM

  10. EFA

  11. '




  15. getSymbols.extra(tickers, src = 'yahoo', from = '1970-01-01', env = data, set.symbolnames = T, auto.assign = T)


  17. #*****************************************************************

  18. # 構(gòu)建另一個(gè)不含股利的價(jià)格調(diào)整后的回測環(huán)境

  21. #*****************************************************************


  23. for(i in data$symbolnames) data.price[[i]] = adjustOHLC(data[[i]], symbol.name=i, adjust='split', use.Adjusted=F)



  26. #*****************************************************************

  27. # 調(diào)整價(jià)格

  28. #*****************************************************************

  29. for(i in data$symbolnames) data[[i]] = adjustOHLC(data[[i]], use.Adjusted=T)

  30. prep(data, align='keep.all')

我們構(gòu)建了兩個(gè)環(huán)境：

  • 包含拆分和股息調(diào)整后的價(jià)格

  • 僅包含調(diào)整后的價(jià)格



  4. #*****************************************************************

  5. # 排名60天變化率

  7. #******************************************************************

  8. return = prices / mlag(prices,60) - 1

  9. position.score = iif(return < 0, NA, return)

  10. data$weight[period.ends0,] = ntop(position.score[period.ends1,], 1)

  14. #*****************************************************************

  15. # 60/120天的排名變化率

  16. #******************************************************************

  17. return = prices / mlag(prices,60) - 1 + prices / mlag(prices,120) - 1

  18. position.score = iif(return < 0, NA, return)

  21. data$weight[period.ends0,] = ntop(position.score[period.ends1, , 1)

  24. #*****************************************************************

  25. # 創(chuàng)建報(bào)表

  26. #*****************************************************************

  27. plot(models)


  2. mom60 mom120

  3. Period Jan2002 - Mar2015 Jan2002 - Mar2015

  4. Cagr 18.05 15.47

  5. Sharpe 0.89 0.76

  6. DVR 0.85 0.7

  7. R2 0.95 0.92

  8. Volatility 21.26 22.21

  9. MaxDD -33.49 -51.75

  10. Exposure 94.36 94.36

  11. Win.Percent 63.76 62.42

  12. Avg.Trade 1.69 1.49

  13. Profit.Factor 2.24 2

  14. Num.Trades 149 149

  1. models$mom60 weight entry.date exit.date nhold entry.price exit.price return

  2. SPY 100 2013-06-28 2013-07-31 33 155.04 163.06 5.17

  3. XLV 100 2013-07-31 2013-08-30 30 49.88 48.12 -3.53

  4. XLV 100 2013-08-30 2013-09-30 31 48.12 49.66 3.20

  5. FXI 100 2013-09-30 2013-10-31 31 35.92 36.40 1.34

  6. EEM 100 2013-10-31 2013-11-29 29 41.16 41.05 -0.27

  7. XLV 100 2013-11-29 2013-12-31 32 54.24 54.64 0.75

  8. SPY 100 2013-12-31 2014-01-31 31 180.35 173.99 -3.53

  9. XLV 100 2014-01-31 2014-02-28 28 55.16 58.59 6.22

  10. IYR 100 2014-02-28 2014-03-31 31 65.72 65.81 0.14

  11. IYR 100 2014-03-31 2014-04-30 30 65.81 67.81 3.04

  12. EEM 100 2014-04-30 2014-05-30 30 40.42 41.62 2.97

  13. EEM 100 2014-05-30 2014-06-30 31 41.62 42.62 2.40

  14. IYR 100 2014-06-30 2014-07-31 31 70.41 70.33 -0.11

  15. FXI 100 2014-07-31 2014-09-30 61 39.96 37.80 -5.41

  16. UUP 100 2014-09-30 2014-10-31 31 22.87 23.09 0.96

  17. XLV 100 2014-10-31 2014-11-28 28 67.02 69.35 3.48

  18. XLV 100 2014-11-28 2014-12-31 33 69.35 68.38 -1.40

  19. IYR 100 2014-12-31 2015-01-30 30 76.84 81.23 5.71

  20. IYR 100 2015-01-30 2015-02-27 28 81.23 79.12 -2.60

  21. FXI 100 2015-02-27 2015-03-30 31 43.76 44.74 2.24

接下來，我們考慮以下3種設(shè)置：

  • “已調(diào)整”-拆分和股息調(diào)整后的價(jià)格數(shù)據(jù)。信號和損益僅從調(diào)整后的數(shù)據(jù)時(shí)間序列中得出。

  • “實(shí)際”-僅使用拆分后的調(diào)整數(shù)據(jù)，尚未對股息進(jìn)行調(diào)整。信號和損益僅從唯一的拆分調(diào)整后的數(shù)據(jù)時(shí)間序列中得出。

  • “混合”-使用“實(shí)際”時(shí)間序列生成信號，使用“調(diào)整”時(shí)間序列進(jìn)行損益計(jì)算。

  1. #*****************************************************************

  2. # 輔助函數(shù)

  3. #******************************************************************


  7. return = prices / mlag(prices,60) - 1

  8. position.score = iif(return < 0, NA, return)

  11. return = prices / mlag(prices,60) - 1 + prices / mlag(prices,120) - 1

  12. position.score = iif(return < 0, NA, return)

  15. models[[paste0('mom120',name)]] =run(data, clean.signal=F, commission = commission, trade.summary=T, silent=T)


  17. models

  19. #*****************************************************************

  20. # 安裝

  21. #******************************************************************

  23. all.models = c(all.models, strategy(prices.adj, data, 'Adjusted'))

  26. #*****************************************************************

  27. # 創(chuàng)建報(bào)表

  28. #*****************************************************************

  30. plot(models

print(plotbt.strateg(models, make.plot=F,


  2. mom60Adjusted mom60Actual mom60Hybrid

  3. Period Jan2002 - Mar2015 Jan2002 - Mar2015 Jan2002 - Mar2015

  4. Cagr 18.05 15.02 17.22

  5. Sharpe 0.89 0.76 0.85

  6. DVR 0.85 0.73 0.82

  7. R2 0.95 0.96 0.96

  8. Volatility 21.26 21.33 21.33

  9. MaxDD -33.49 -35.99 -33.74

  10. Exposure 94.36 92.44 92.44

  11. Win.Percent 63.76 62.33 63.01

  12. Avg.Trade 1.69 1.49 1.67

  13. Profit.Factor 2.24 1.98 2.15

  14. Num.Trades 149 146 146



  3. plotbt(models, plotX = T, log = 'y'

print(plotstrategy)


  2. mom120Adjusted mom120Actual mom120Hybrid

  3. Period Jan2002 - Mar2015 Jan2002 - Mar2015 Jan2002 - Mar2015

  4. Cagr 15.47 13.61 15.66

  5. Sharpe 0.76 0.69 0.77

  6. DVR 0.7 0.64 0.73

  7. R2 0.92 0.92 0.94

  8. Volatility 22.21 22.08 22.07

  9. MaxDD -51.75 -49.93 -47.15

  10. Exposure 94.36 92.47 92.47

  11. Win.Percent 62.42 60.96 61.64

  12. Avg.Trade 1.49 1.37 1.54

  13. Profit.Factor 2 1.9 2.02

  14. Num.Trades 149 146 146

經(jīng)調(diào)整后的數(shù)據(jù)表現(xiàn)優(yōu)于實(shí)際數(shù)據(jù)和混合數(shù)據(jù)。

最受歡迎的見解

1.用機(jī)器學(xué)習(xí)識別不斷變化的股市狀況—隱馬爾科夫模型(HMM)的應(yīng)用

2.R語言GARCH-DCC模型和DCC（MVT）建模估計(jì)

3.R語言實(shí)現(xiàn) Copula 算法建模依賴性案例分析報(bào)告

4.R語言COPULAS和金融時(shí)間序列數(shù)據(jù)VaR分析

5.R語言多元COPULA GARCH 模型時(shí)間序列預(yù)測

6.用R語言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測股票實(shí)例

7.r語言預(yù)測波動率的實(shí)現(xiàn)：ARCH模型與HAR-RV模型

8.R語言如何做馬爾科夫轉(zhuǎn)換模型markov switching model

9.matlab使用Copula仿真優(yōu)化市場風(fēng)險(xiǎn)


標(biāo)簽：

拓端tecdat|R語言動量交易策略分析調(diào)整后的數(shù)據(jù)的評論 (共 條)

分享到微博請遵守國家法律
兰坪| 德安县| 昂仁县| 钦州市| 合阳县| 水富县| 万州区| 石棉县| 临泽县| 宾川县| 洛隆县| 玛纳斯县| 中江县| 广水市| 胶州市| 岑巩县| 连州市| 诸暨市| 铅山县| 临湘市| 北宁市| 邵东县| 北京市| 白沙| 綦江县| 即墨市| 兴文县| 沾化县| 西和县| 垦利县| 老河口市| 松桃| 铅山县| 昌邑市| 大田县| 巴林左旗| 从化市| 通渭县| 思茅市| 克拉玛依市| 莱西市|