นักลงทุน อย่างเป็นระบบ

อนุกรมเวลาจับคู่กับ Dynamic เวลาแปรปรวน นี้ไม่ได้เป็นคำแนะนำการลงทุน ข้อมูลที่มีวัตถุประสงค์เพื่อให้ข้อมูลเท่านั้น ในซีรีส์เวลาโพสต์จับคู่ผมใช้ 1-1 ทำแผนที่เพื่อการคำนวณระยะห่างระหว่างแบบสอบถาม (รูปแบบปัจจุบัน) และการอ้างอิง (อนุกรมเวลาทางประวัติศาสตร์) ต่อไปนี้แผนภูมิ visualizes แนวคิดนี้ ระยะทางคือผลรวมของเส้นแนวตั้ง ทางเลือกในการ map อนุกรมเวลาหนึ่งไปยังอีกเป็นเวลาแปรปรวนแบบไดนามิก (DTW - สนามบิน) อัลกอริทึม DTW มองหาการทำแผนที่ระยะทางขั้นต่ำระหว่างการสอบถามและการอ้างอิง ต่อไปนี้แผนภูมิ visualizes หนึ่งไปทำแผนที่จำนวนมากเป็นไปได้กับ DTW เพื่อตรวจสอบว่ามีความแตกต่างระหว่างหนึ่งอย่างใดอย่างหนึ่งที่ง่ายในการทำแผนที่และ DTW ผมจะค้นหาสำหรับการแข่งขันอนุกรมเวลาที่มีความคล้ายคลึงกับล่าสุด 90 วันของ SPY ในช่วง 10 ปีของประวัติศาสตร์ รหัสต่อไปนี้โหลดราคาประวัติศาสตร์จาก Yahoo คู่หมั้น, กับการติดตั้งปัญหาและคำนวณระยะทางยุคลิดสำหรับหน้าต่างกลิ้งประวัติศาสตร์โดยใช้กล่องเครื่องมือลงทุนระบบ: ถัดไปให้ตรวจสอบด้านบน 10 แมตช์โดยใช้ระยะ Dynamic เวลาแปรปรวน ฉันจะใช้ในการดำเนินงาน Dynamic เวลาแปรปรวนจากแพคเกจ DTW ขั้นตอนวิธีการผลิตทั้งสองแมตช์ที่คล้ายกันมากและการคาดการณ์ที่คล้ายกันมาก ผมจะใช้การคาดการณ์เหล่านี้เป็นเดาการศึกษาให้ดำเนินการตลาดก้าวไปข้างหน้า จนถึงขณะนี้ก็ดูเหมือนว่าตลาดจะไม่ได้ไปในเค้นเต็มใน 22 วันถัดไป เพื่อดูรหัสต้นฉบับที่สมบูรณ์เช่นนี้โปรดดูได้ที่ bt. matching. dtw. test () ฟังก์ชันใน bt. test. r ที่ GitHub Multi-Asset backtest กลยุทธ์การซื้อขายหมุน ฉันต้องการที่จะหารือเกี่ยวกับการดำเนินงานของการหมุนกลยุทธ์การซื้อขายโดยใช้ห้องสมุด backtesting ในกล่องเครื่องมือลงทุนระบบได้โดยเริ่มต้นหมุนกลยุทธ์เทรดดิ้งสวิทช์การจัดสรรการลงทุนตลอดเวลาการพนันด้านบนไม่กี่อันดับสินทรัพย์ ยกตัวอย่างเช่นการจัดอันดับจะขึ้นอยู่กับความแรงของญาติหรือโมเมนตัม ตัวอย่างบางส่วนของกลยุทธ์การซื้อขายหมุน (หรือการกระจายการลงทุนยุทธวิธี) มีดังนี้: ผมต้องการที่จะแสดงให้เห็นถึงการค้าการหมุนโดยใช้กลยุทธ์ที่แนะนำในหน้าจออีทีเอฟในการโพสต์กลยุทธ์ภาคอีทีเอฟ ในแต่ละเดือนกลยุทธ์นี้ลงทุนลงไปบนสอง 21 ETFs เรียงตาม 6 เดือนผลตอบแทนของพวกเขา เพื่อลดผลประกอบการในเดือนต่อมาตำแหน่งอีทีเอฟจะถูกเก็บไว้เป็นเวลานานเป็น ETFs เหล่านี้อยู่ใน 6 อันดับสูงสุด ก่อนที่เราจะใช้กลยุทธ์นี้เราต้องสร้างการปฏิบัติสองผู้ช่วย ครั้งแรกที่ช่วยสร้างฟังก์ชั่นที่จะเลือกตำแหน่งบน N สำหรับแต่ละช่วงเวลา: ถัดไปช่วยสร้างฟังก์ชั่นที่จะเลือกตำแหน่งที่ไม่มีชั้นนำสำหรับรอบระยะเวลาและให้พวกเขาจนกว่าพวกเขาจะลดลงต่ำกว่าอันดับ KeepN นี้: ตอนนี้เรามีความพร้อมที่จะใช้กลยุทธ์นี้โดยใช้ห้องสมุด backtesting ในกล่องเครื่องมือลงทุนระบบ: มีหลายวิธีในการปรับปรุงกลยุทธ์นี้ นี่คือตัวอย่างรายการของวิธีการเพิ่มเติมเพื่อพิจารณา: พิจารณาความหลากหลายของวิธีการจัดอันดับ กล่าวคือ 1/2/3/6/12 เดือนผลตอบแทนและการรวมกันของพวกเขาจัดอันดับความเสี่ยงที่ปรับ เพื่อควบคุมการเบิกถอนและเพิ่มประสิทธิภาพการทำงานพิจารณากลไกการกำหนดเวลาที่แสดงในวิธีการเชิงปริมาณเพื่อการกระจายการลงทุนยุทธวิธีโดยเอ็มร้าง (2006) พิจารณาจักรวาลสินทรัพย์ที่แตกต่างกัน รวมอีทีเอฟที่มีน้อยกว่าความสัมพันธ์กับสินทรัพย์อื่น ๆ เช่นสินค้าโภคภัณฑ์, ตราสารหนี้และตลาดทุนระหว่างประเทศ ตัวอย่างเช่นมีลักษณะที่เดี่ยวประเทศโพสต์กลยุทธ์ระหว่างประเทศ ขอบเขตเพียงอย่างเดียวคือจินตนาการของคุณ ฉันยังอยากจะแนะนำให้ทำวิเคราะห์ความไวในระหว่างการพัฒนากลยุทธ์ของคุณเพื่อให้แน่ใจว่าคุณจะไม่ overfitting ข้อมูล เพื่อดูรหัสต้นฉบับที่สมบูรณ์เช่นนี้โปรดดูได้ที่ bt. rotational. trading. test () ฟังก์ชันใน bt. test. r ที่ GitHub เทรดดิ้งโดยใช้การพยากรณ์ความผันผวน Garch ควอนตัม Financier เขียนบทความที่น่าสนใจระบอบการสลับการใช้ระบบการพยากรณ์ความผันผวน บทความที่นำเสนอขั้นตอนวิธีที่สง่างามเพื่อสลับไปมาระหว่างหมายถึงการพลิกกลับและกลยุทธ์แนวโน้มการดังต่อไปนี้ขึ้นอยู่กับความผันผวนของตลาด สองรูปแบบมีการตรวจสอบอย่างใดอย่างหนึ่งโดยใช้ค่า Volatility และอื่น ๆ โดยใช้ Garch (1,1) การพยากรณ์ความผันผวน กลยุทธ์หมายถึงการพลิกกลับเป็นแบบจำลองที่มีอาร์เอส (2): ยาวเมื่อ RSI (2) และสั้นเป็นอย่างอื่น กลยุทธ์แนวโน้มต่อไปนี้เป็นแบบจำลองที่มีการ SMA 50/200 ครอสโอเวอร์: Long เมื่อวานนี้ (50) & gt; SMA (200) และสั้นเป็นอย่างอื่น ผมต้องการแสดงให้เห็นว่าจะใช้ความคิดเหล่านี้โดยใช้ห้องสมุด backtesting ในกล่องเครื่องมือนักลงทุนอย่างเป็นระบบ หลังจากโหลดรหัสราคาประวัติศาสตร์จาก Yahoo คู่หมั้นและเปรียบเทียบประสิทธิภาพการทำงานของถือลงทุนค่าเฉลี่ย-พลิกกลับและกลยุทธ์แนวโน้มต่อไปนี้การใช้ห้องสมุด backtesting ในกล่องเครื่องมือลงทุนระบบ: ถัดไปขอสร้างกลยุทธ์ที่สลับระหว่างหมายถึงการพลิกกลับและกลยุทธ์แนวโน้มการดังต่อไปนี้ขึ้นอยู่กับความผันผวนของตลาดประวัติศาสตร์ ถัดไปให้สร้าง GARCH (1,1) การพยากรณ์ความผันผวน ฉันจะแนะนำการอ่านบทความต่อไปนี้สำหรับผู้ที่ต้องการที่จะหาสิ่ง GARCH คือทั้งหมดที่เกี่ยวกับหรือฟื้นฟูความรู้ของพวกเขา GARCH (1,1) โดยฮาร์เปอร์โดยเดวิดบทความแนะนำที่ดีมากที่มีจำนวนมากไดอะแกรมภาพ ปัญหาในทางปฏิบัติในการสร้างแบบจำลองแบบ univariate GARCH โดยวาย Chalabi ขั้นตอนดี Wurtz โดยตัวอย่างขั้นตอนของการปรับ GARCH (1,1) รุ่นที่มีรหัส R เต็มรูปแบบ บทนำพื้นฐานเพื่อ GARCH โดยควอนตัมการเงินเป็นชุดของโพสต์ที่จะไปในรายละเอียดและการตั้งสมมติฐานของ GARCH และ EGARCH มีแพคเกจ R ไม่กี่เพื่อให้พอดีกับรุ่น GARCH มี ผมจะพิจารณาจากฟังก์ชั่นแพคเกจ garch tseries และฟังก์ชั่นแพคเกจจาก garchFit fGarch ฟังก์ชั่นแพคเกจจาก garch tseries เป็นไปอย่างรวดเร็ว แต่ไม่เคยหาทางแก้ปัญหา ฟังก์ชั่นแพคเกจจาก garchFit fGarch จะช้า แต่ไม่บรรจบกันขึ้นอย่างต่อเนื่อง เพื่อแสดงให้เห็นความแตกต่างระหว่างความเร็วฟังก์ชั่นและการทำงาน garch garchFit ฉันสร้างมาตรฐานง่ายๆ ฟังก์ชั่น garchFit เป็นค่าเฉลี่ย 6 ครั้งช้ากว่าฟังก์ชั่น garch ดังนั้นเพื่อให้การคาดการณ์ความผันผวนของผมจะพยายามที่จะใช้ฟังก์ชั่น garch เมื่อใดก็ตามที่สามารถหาวิธีแก้ไขและฟังก์ชั่นอื่น garchFit ตอนนี้ขอสร้างกลยุทธ์ที่สลับระหว่างหมายถึงการพลิกกลับและกลยุทธ์แนวโน้มต่อไปขึ้นอยู่กับ GARCH (1,1) การคาดการณ์ความผันผวน กลยุทธ์ที่ใช้สลับ GARCH (1,1) การคาดการณ์ความผันผวนดำเนินการเล็กน้อยดีกว่าหนึ่งที่ใช้ความผันผวนของประวัติศาสตร์ มีวิธีที่แตกต่างกันมากมายที่คุณสามารถใช้เวลาในการรวมการพยากรณ์ในรูปแบบของคุณและกลยุทธ์การซื้อขาย R มีชุดที่อุดมสมบูรณ์มากของแพคเกจแบบอนุกรมเวลาและการคาดการณ์ นี่คือตัวอย่างที่ผมพบว่าที่น่าสนใจคือ การคาดการณ์ของตลาดสำหรับปี 2011 และ 2012 โดยแพ็ตเบิร์นส์ใช้ GARCH (1,1) ในการสอบเทียบความสำคัญของการคาดการณ์ของตลาดที่คนอื่น ๆ ของ ARMA รุ่นเพื่อการค้าโดยนักลงทุนเฉลี่ยอยู่ที่ชุดของโพสต์ที่แสดงให้เห็นว่าผลตอบแทนที่จะคาดการณ์ในวันถัดไปโดยใช้แบบจำลอง ARIMA และ GARCH ที่ยอดเยี่ยมใหม่บล็อก TimeSeriesIreland ที่ผลงานทันเวลาใช้ EGRACH เพื่อสร้างรูปแบบการซื้อขาย พยากรณ์ในขวา: ทางลัดที่ยิ่งใหญ่ที่สุดที่ล้มเหลว Ljung-Box ใช้แบบจำลอง ARIMA จีดีพีที่จะคาดการณ์ เพื่อดูรหัสที่สมบูรณ์เช่นนี้โปรดดูได้ที่ bt. volatility. garch () ฟังก์ชันใน bt. test. r ที่ GitHub กลยุทธ์ปฏิทิน: สิ้นเดือน กลยุทธ์ปฏิทินเป็นกลยุทธ์ที่ง่ายมากที่ซื้อขายที่กำหนดไว้วันที่รู้จักกันล่วงหน้า วันนี้ผมต้องการที่จะแสดงให้เห็นว่าเราสามารถตรวจสอบผลการดำเนินงานในและรอบเดือนสิ้นสุดวันที่ แรกให้โหลดราคาประวัติศาสตร์ SPY จาก Yahoo คู่หมั้นและคำนวณ SPY perfromance ที่ปลายเดือน กล่าวคือ กลยุทธ์จะเปิดตำแหน่งยาวที่ใกล้ชิดในวันที่ 30 และขายตำแหน่งที่ใกล้ชิดกับ 31 โปรดทราบว่าข้างต้นในการเรียก btn. share ผมตั้ง do. lag พารามิเตอร์เท่ากับศูนย์ (ค่าเริ่มต้นสำหรับพารามิเตอร์ do. lag เป็นหนึ่ง) เหตุผลสำหรับการตั้งค่าเริ่มต้นเท่ากับหนึ่งเป็นเพราะการส่งสัญญาณ (การตัดสินใจเพื่อการค้า) มาใช้ข้อมูลทั้งหมดที่มีอยู่ในวันนี้เพื่อให้ตำแหน่งเท่านั้นที่สามารถจะดำเนินการในวันถัดไป กล่าวคือ อย่างไรก็ตามในกรณีของกลยุทธ์ปฏิทินมีความจำเป็นต้องล่าช้าสัญญาณไม่ได้เพราะวันการค้าเป็นที่รู้จักกันล่วงหน้า กล่าวคือ ต่อไปผมจะสร้างสองฟังก์ชั่นที่จะช่วยให้มีการสร้างสัญญาณและการทดสอบกลยุทธ์: ข้างต้น T0 เป็นกลยุทธ์ปฏิทินที่ซื้อในวันที่ 30 และขายในวันที่ 31 กล่าวคือ ตำแหน่งที่จะจัดขึ้นในวันที่เพียงปลายเดือน P1 และ P2 สองกลยุทธ์ที่ซื้อวันก่อนหน้าและสองวันก่อนตามลําดับ N1 N2 และมีสองกลยุทธ์ที่ซื้อวันหลังจากที่สองวันหลังจากที่ตามลําดับ กลยุทธ์ N1, ซื้อในวันที่ 31 และขายในเดือนถัดไป 1 ดูเหมือนว่าจะทำงานได้ดีที่สุดสำหรับ SPY สุดท้ายให้ดูที่การซื้อขายที่เกิดขึ้นจริง: กลยุทธ์ P2 เข้าสู่ตำแหน่งที่ใกล้ชิด 3 วันก่อนสิ้นเดือนและออกจากตำแหน่งที่ใกล้ 2 วันก่อนสิ้นเดือน กล่าวคือ ผลการดำเนินงานเป็นเพราะผลตอบแทนเ​​พียง 2 วันก่อนที่จะสิ้นสุดเดือน ด้วยการโพสต์นี้ผมต้องการที่จะแสดงให้เห็นว่าเราสามารถได้อย่างง่ายดายศึกษาผลการดำเนินงานกลยุทธ์ปฏิทินโดยใช้กล่องเครื่องมือนักลงทุนอย่างเป็นระบบ ต่อไปผมจะแสดงให้เห็นการใช้งานปฏิทินกลยุทธ์ความหลากหลายของวันสำคัญ เพื่อดูรหัสต้นฉบับที่สมบูรณ์เช่นนี้โปรดดูได้ที่ bt. calendar. strategy. month. end. test () ฟังก์ชันใน bt. test. r ที่ GitHub Stochastic Oscillator ฉันมาข้ามเชื่อมโยงไปยังกระดาษที่จอห์น Ehlers: ตัวชี้วัดการทำนายที่มีประสิทธิภาพกลยุทธ์การซื้อขาย ในขณะที่อ่าน Dekalog บล็อก จอห์น Ehlers มีวิธีที่แตกต่างกันให้เรียบราคาและการรวมตัวกรองใหม่ในการก่อสร้างมือดี โชคดีที่ได้รับรหัส EasyLanguage นอกจากนี้ยังมีและฉันก็สามารถที่จะแปลเป็​​นอาร์ อนุกรมเวลาที่ตรงกัน นี้ไม่ได้เป็นคำแนะนำการลงทุน ข้อมูลที่มีวัตถุประสงค์เพื่อให้ข้อมูลเท่านั้น คุณต้องการที่จะรู้ว่าสิ่งที่ SP 500 จะทำในสัปดาห์ถัดไปเดือนไตรมาส? วิธีการหนึ่งที่จะทำให้เดาการศึกษาคือการหาช่วงเวลาในประวัติศาสตร์ที่คล้ายคลึงกับสภาพแวดล้อมของตลาดในปัจจุบันและตรวจสอบสิ่งที่เกิดขึ้น ฉันจะเรียกเวลาขั้นตอนการจับคู่ชุดนี้ แต่คุณสามารถหาเทคนิคที่คล้ายกันเรียกว่าเป็นรูปแบบทางเทคนิคและ fractals เพื่อให้ได้รสชาติที่เกี่ยวกับ fractals บางต่อไปนี้เป็นบทความที่สองผมอ่านเมื่อเร็ว ๆ นี้เกี่ยวกับ fractals: ผมขอแนะนำให้อ่านบทความต่อไปนี้เกี่ยวกับอนุกรมเวลาที่ตรงกันที่จะเข้าใจวิธีการที่แตกต่างกัน: ผมจะใช้วิธีการที่ง่ายที่ระบุไว้ในวิธีการเร่งการปรับใช้โมเดลการใช้โกงโดยฌองโรเบิร์ตบทความ Avettand-Fenoel จะหาแมตช์อนุกรมเวลาที่มีความคล้ายคลึงกับล่าสุด 90 วันของ SPY รหัสต่อไปนี้โหลดราคาประวัติศาสตร์จาก Yahoo คู่หมั้น, กับการติดตั้งปัญหาและคำนวณระยะทางยุคลิดสำหรับหน้าต่างกลิ้งประวัติศาสตร์โดยใช้กล่องเครื่องมือลงทุนระบบ: ถัดไปให้เลือกที่ดีที่สุด 10 แมตช์กับรูปแบบการสอบถามในประวัติศาสตร์ SPY ไปนี้: ถัดไปซ้อนทับช่วยให้การแข่งขันทั้งหมดที่มีรูปแบบการสอบถามและตรวจสอบประสิทธิภาพการทำงานของพวกเขาหลังจากประวัติศาสตร์การแข่งขันที่เกิดขึ้น: ถัดไปให้สรุปทั้งหมดตรงกับผลการดำเนินงานในตาราง: ซีรี่ส์เวลาการวิเคราะห์การจับคู่สามารถนำมาใช้จะทำให้การคาดเดาสิ่งที่ศึกษา SP 500 จะทำในสัปดาห์ถัดไปเดือนไตรมาส เดาการศึกษานี้จะขึ้นอยู่กับข้อมูลทางประวัติศาสตร์และมีการค้ำประกันไม่ว่าประวัติศาสตร์จะซ้ำรอย ในโพสต์ต่อไปที่ผมจะตรวจสอบมาตรการอื่น ๆ สำหรับระยะเวลาการจับคู่ชุดและฉันจะแสดงตัวอย่างของเวลาการแปรปรวนแบบไดนามิก เพื่อดูรหัสต้นฉบับที่สมบูรณ์เช่นนี้โปรดดูได้ที่ bt. matching. test () ฟังก์ชันใน bt. test. r ที่ GitHub