Jeg lurer alltid på om noen har utnyttet regime-switching modeller vellykket i prognoser eller handel. Academia har lenge diskutert dette emnet i dybden, for eksempel ved hjelp av Regime Switching-modeller for påvisning av abrupt markedsforstyrrelse eller strukturelle endringer. Populære teknikker inkluderer modellering av den underliggende prosessen som en Markov-prosess med visse distribusjoner, og bruk en slik modell for å estimere overgangssannsynlighetsmatrisen. Forutsetningen for denne tilnærmingen er attraktiv: Hvis vi kan anvende forskjellige tilnærminger basert på ulike markedsregimer, så kan modelleringsprosessen bedre reflektere virkeligheten. Men som enhver annen modell er påliteligheten til en slik modell ikke overbevisende. Personlig forsøkte Ive å implementere noen Regime-switch-modeller foreslått av akademikere og teste deres forklarende kraft for å oppdage markedsskift (som for eksempel bytte av sykluser, volatilitetsnivåer osv.), Men resultatene er alltid skuffende. Kan noen andre venner her dele dine meninger Skål. spurte 25 juni 14 kl 12: 28Tradering ved hjelp av Garch Volatility Forecast Quantum Financier skrev en interessant artikkel Regime Switching System ved hjelp av volatilitetsprognose. Artikkelen presenterer en elegant algoritme for å bytte mellom gjennombrudd og trend-etter-strategier basert på volatiliteten på markedet. To modeller undersøkes: en ved hjelp av den historiske volatiliteten og en annen ved hjelp av Garch (1,1) volatilitetsprognose. Gjennomgangsstrategien er modellert med RSI (2): Lang når RSI (2), og Kort ellers. Treningsstrategien er modellert med SMA 50200 crossover: Long når SMA (50) gt SMA (200), og Short otherwise. Jeg vil vise hvordan du implementerer disse ideene ved hjelp av backtesting-biblioteket i Systematic Investor Toolbox. Følgende kode laster historiske priser fra Yahoo Fiance og sammenligner ytelsen til Buy and Hold, Mean-Reversion og Trend-Following strategier ved hjelp av backtesting-biblioteket i Systematic Investor Toolbox. Deretter kan vi lage en strategi som bytter mellom gjennomsnittlig reversering og trend - Følgende strategier basert på historisk volatilitet på markedet. Deretter kan vi lage en GARCH (1,1) volatilitetsprognose. Jeg vil anbefale å lese følgende artikler for alle som ønsker å finne hva GARCH handler om eller for å oppdatere sin kunnskap: GARCH (1,1) av David Harper 8211 en veldig god introduksjonsartikkel med mange visuelle diagrammer. Praktiske problemer i Univariate GARCH Modeling av Y. Chalabi, D. Wurtz 8211 trinnvis eksempel på montering av GARCH (1,1) modell med full R-kode. Grunnleggende introduksjon til GARCH av Quantum Financier 8211 er en serie innlegg som går inn i detaljer og forutsetninger for GARCH og EGARCH. Det er noen R-pakker som passer til GARCH-modellene. Jeg vil vurdere garch funksjon fra tseries pakke og garchFit funksjon fra fGarch pakken. Garch-funksjonen fra tseries-pakken er rask, men finner ikke alltid løsningen. GarchFit-funksjonen fra fGarch-pakken er langsommere, men konvergerer mer konsekvent. For å demonstrere hastighetsforskjellen mellom garch-funksjonen og garchFit-funksjonen, opprettet jeg et enkelt referansemål: GarchFit-funksjonen er i gjennomsnitt 6 ganger langsommere enn garch-funksjonen. Så for å prognose volatilitet vil jeg prøve å bruke garch funksjon når det kan finne en løsning og garchFit funksjon ellers. Nå kan vi lage en strategi som bytter mellom gjennomsnittlig reversering og trend-følgende strategier basert på GARCH (1,1) volatilitetsprognose. Byttestrategien som bruker GARCH (1,1) volatilitetsprognose, har vært litt bedre enn den som bruker historisk volatilitet. Det er mange forskjellige tilnærminger du kan ta for å inkludere prognoser i dine modeller og handelsstrategier. R har et veldig rikt sett med pakker til modell og prognose tidsserier. Her er noen eksempler jeg fant interessant: For å se den komplette kildekoden for dette eksemplet, vennligst se på bt. volatility. garch () - funksjonen i bt. test. r på github. Aldri savner en oppdatering Abonner på R-bloggere for å motta e-post med de nyeste R-postene. (Du vil ikke se denne meldingen igjen.) Jeg leser med interesse en eldre papir Can Markov Switching Models forutsi overdreven valutareserver av Dueker og Neely fra Federal Reserve Bank of St. Louis. Jeg har en kjærlighet til skjulte Markov-modeller på grunn av sin store suksess i talegjenkjenningsapplikasjoner, men jeg bekrefter at jeg aldri har vært i stand til å lage en HMM-modell som overgår enkle tekniske indikatorer. Jeg klandrer det både på min egen mangel på kreativitet, samt at HMM har en tendens til å ha for mange parametere som må tilpasses historiske data, noe som gjør det sårbart for data snooping bias. Derfor nærmet jeg dette papiret med det store håp at eksperter kan lære meg hvordan man søker HMM riktig for å finansiere. Formålet med modellen er enkelt: å forutsi meravkastningen av en valutakurs over en 8-dagers periode. (Overskudd avkastning i denne sammenheng er målt ved valutakursendring minus rentedifferansen mellom valutaparets basis - og kursvaluta.) Hvis den forventede meravkastningen er høyere enn en terskel (kalt filter i papiret) så gå lenge. Hvis den er lavere enn en annen terskel, gå kort. Selv om prognosen er på en 8-dagers retur, blir handelsbeslutningen gjort daglig. Meravkastningen antas å ha en 3-parameter student-t-distribusjon. De 3 parametrene er gjennomsnittet, graden av frihet og skalaen. Skaleparameteren (som styrer variansen) kan bytte mellom en høy og lav verdi basert på en Markov-modell. Graden av frihet (som styrer kurtosis, a. k. tykkelse av haler) kan også bytte mellom 2 verdier basert på en annen Markov-modell. Gjennomsnittet er lineært avhengig av verdiene som antas av graden av frihet og skalaen, samt en annen Markov-variabel som bytter mellom 2 verdier. Derfor kan middelene anta 8 forskjellige verdier. 3 Markov-modellene er uavhengige. Student-t-distribusjonen er mer hensiktsmessig for modellering av avkastningen enn normal fordeling på grunn av godtgjørelse for tunge haler. Forfatterne mener også at denne modellen fanger bryteren mellom perioder med høy og lav volatilitet, med den følgelig foretrukne forandring (forskjellig gjennomsnittlig avkastning) for trygge mot risikofylte valutaer, et fenomen som er godt demonstrert i perioden mellom august 2011 og januar 2012. Parametrene til Markov-modellene og student-t-fordelingene estimeres i prøveperioden (1974-1981) for hvert valutapar for å minimere den kumulative avviken av meravkastningen fra null. Det er totalt 14 parametere som skal estimeres. Etter disse estimatene må vi også estimere de 2 handelsgrenseverdiene ved å maksimere avkastningsprinsippet i handelsstrategien, og antar en transaksjonskostnad på 10 basispoeng per handel. Med dette store antallet (totalt 16) av parametere, frykter jeg meg for å se resultatene utenfor prøven (1982-2005). Utrolig, disse er langt bedre enn jeg forventet: årlig avkastning varierer fra 1,1 til 7,5 for 4 store valutapar. Sharpe-tallene er ikke så imponerende: de varierer fra 0,11 til 0,71. Selvfølgelig, når forskere rapporterer resultatene utenfor prøven, bør man ta det med et saltkorn. Hvis resultatene utenfor prøven var gode, ville de ikke rapportere dem, og de ville ha beholdt å endre den underliggende modellen til gode resultater utenfor prøven er oppnådd. Så det er virkelig opp til oss å implementere denne modellen, bruk den til data etter 2005 og til flere valutapar, for å finne ut om det egentlig er noe her. Faktisk er dette grunnen til at jeg foretrekker å lese eldre papirer - for å muliggjøre muligheten for ekte prøver utenom prøven umiddelbart. Hva tror du kan gjøres for å forbedre denne modellen Jeg mistenker at som et første skritt kan man se om de estimerte Markov-statene korresponderer med hva som handler om å tenke på som risiko-on vs risk-off regimer. Hvis de gjør det, så uansett bruken av denne modellen som en signalgenerator, kan den i det minste gi gode risikoindikatorer. Hvis ikke, må kanskje den skjulte Markov-modellen erstattes med en Markov-modell som er betinget av observerbare indikatorer. 35 kommentarer: Du har fått en skrivefeil i tittelen på papiret. Ordet quotreservesquot bør erstattes med retur. Mann, jeg var veldig forvirret da jeg så tittelen på det du skrev, jeg tenkte, for det meste på jorden ville noen bry seg om å forutsi overskytende valutareserverkvot Din kommentar om kvotering av prøveprøvekvot i forskningsblanketter som egentlig ikke er så ute av prøven Jeg er ikke sikker på at mange mennesker forstår problemet du reiste, og jeg tror det er et veldig viktig punkt. takk for at du peker ut det. faktisk var skrivefeltet i det opprinnelige preprintet, og derfor kopierte jeg det Ernie Ernie. Ikke å stille spørsmål om dine kvantevner, men ser du seriøst på en modell med så mange parametere som passer til at det har noen anvendelighet til handel. Jeg sier dette som quant trader med over 14 års bransjeerfaring og kjører min egen mid to hft firma. For meg er dette papiret absolutt nonesense, og de nevnte Sharpe-tallene er altfor lave, selv i sin egen utgave av samplequot backtests for å rettferdiggjøre å ta slikt papir seriøst. AsiaProp, De 16 parametrene er egentlig ikke så mange som de høres ut. 14 av dem er for å tilpasse tidsseriene selv: de er uavhengige av handelsstrategien. Kun 2 av parameterne brukes til å optimalisere strategisk avkastning. Sharpe-forholdene som rapporteres i akademisk forskning er nesten alltid lave. Hvis de er høye, vil de bli utgitt. Vår jobb som handelsmenn er å ta disse undersøkelsene som inspirasjon og tilpasse dem til praktiske strategier. Takk igjen for alt ditt harde arbeid. På toppen av bloggen din og din bok får jeg stor innsikt bare ved å lese gjennom samtalene dine med andre kommentatorer på nettstedet ditt. I en tidligere kommentar tråd fra den andre dagen nevnte du at en stor del av avkastningen din i 2011 kom fra gjennomsnittlige reverseringsstrategier i valutamarkedet. Jeg lurte på om du bruker en hvilken som helst form for regimens byttemodell i din FX-handel for å avgjøre om du vil bli tildelt først og fremst til momentum eller mellomstore strategier Zack, Nei, jeg brukte ingen regimens byttemodeller. Jeg har aldri funnet ut at disse modellene fungerer utenom prøven. Ernie Leste du dette papiret før, noen kommentar Hei Anon, Nei, jeg har sett dette papiret, men vil sette det på min leseliste. Også Chris Neely, forfatteren av det skrevne papiret, nevnte meg dette andre relevante papiret: og hans nettsted: Bare taler fra et akademisk perspektiv, i stedet for den vanlige HMM, kanskje noe som Max Entropy Hidden Markov-modellen, kan fungere bedre Dave, Hvorfor tror du maksimal entropi HMM vil fungere bedre Det ser ut til å være bare en annen metode for å estimere parametre. Ernie Jeg har ingen empiriske bevis og økonomisk spådom er egentlig ikke mitt fagområde. Det er bare at i mine få forsøk på å bruke maskinlæring for økonomiske spådommer, lærte jeg at mengden støy har en tendens til å swamp ut eventuelle trender markedet kan ha. Som et resultat har de fleste elever en tendens til å utføre veldig dårlig, ganske muligens på grunn av overpassing til treningsdataene. Så et av mine ideer er å bruke teknikker som Maksimal Entropi for å redusere graden av overmontering. Men jeg har ikke faktisk prøvd dette ut. Hei ernie: Jeg leser nå boken din kalt kvotantitative tradingquot, og allerede programmert og prøvde MATHLAB for backtesting. Resultatene avviker imidlertid fra MetaTrader Strategy testerOptimization. I MT4 har jeg hundrevis av passerer som stemmer overens med de fleste av mine ekte handler (heldigvis), men sistnevnte er ikke så positivt. Jeg bruker det samme datasettet, som jeg sporer fra 2001-2009. Den viktigste grunnen til at MATHLAB er at jeg ønsker å ansette Sharpe Ratio. Vanligvis er det i MT4 å velge mine parametere ganske enkelt, grei. Jeg velger de med minimal drawdown beste avkastning, og kjør deretter separate kopier av dem. Etter å ha lest boken, tenkte jeg på å velge parametere med: 1) Minimal drawdown 2) Beste avkastning og legge til et tredje kriterier, Sharpe Ratio. På denne måten føler jeg at jeg kan øke avkastningen min, nei Formelen ser komplisert ut, men det er ingen skade å prøve. Hva tror du og takk Hei Anon, Når du sa at resultatene fra Matlab skiller seg fra Metatrader, kan du være mer spesifikk. Er du sikker på at logikken i de to programmene er identiske? Du kan bruke Sharpe-forhold i alle programmer du velger, ikke nødvendigvis Matlab. Det er bare gjennomsnittlig avkastning dividert med standardavvik. Ernie Jeg trodde også at Sharpe-forholdet fortsatt kunne brukes i et hvilket som helst program. Er det egentlig bare begrenset til Mathlab Ernie Chan sa. Hei Anon, Når du sa at resultatene fra Matlab skiller seg fra Metatrader, kan du være mer spesifikk. Er du sikker på at logikken i de to programmene er identiske Ja, jeg er veldig sikker på at de er. Ok, jeg er mer spesifikk. Min strategi er ekstremt enkel, men lønnsom (minst for meg) - bare 2 linjer med logikk, 2 heltallsparametere. Jeg kan ikke se hvordan eller hvorfor en slik enkel logikk er forskjellig, mellom de to. Forskjellen er at i MT4 får jeg hundrevisspass, men i MATHLAB får jeg bare rundt 50 passerer. I MATHLAB returnerer et av 1 års testpass en balanse på 200K fra startkapitalen på 10K, men i MT4 er balansen innen rekkevidde 50K-100K, for alle passene. En annen ting, i MT4, er tiden for stolpene vurdert innenfor testen. Jeg trenger ikke å omprogrammere noe. Men i MATHLAB må jeg skille dette datasettet. Kanskje det er derfor forskjellen Thx igjen for din hjelpsomme hjelp. Hei Ruthstein, Ja, det er sannsynlig at feil i databehandling er det som forårsaket forskjellene. I Metatrader er data installert som en del av programmet. Men Matlab er en generell databehandling plattform, som en kalkulator. Du må være veldig forsiktig med å forberede data for input til Matlab. Ernie Hei ernie, tusen takk for dine kommentarer. noen hjalp meg ut med sin plug-in for tidsdelen og det var en veldig liten feil i forberedelsen av tid i MATHLAB. Likevel forblir resultatene inkonsekvente. Men overraskende nå er Sharpe Ratio nesten den samme verdien for topp 5 minimal drawdown-pass, men ikke når det gjelder fortjeneste, skjønt. På den lyse siden gjør dette valg enklere enn før, siden jeg bare bestemmer seg for sikreste drawdown, siden skarphet for alle dem er ganske akseptabelt. Igjen, takk for din hjelpsomme hjelp, og jeg må si at boka er en god lesning. Jeg har ingen tvil om at jeg kjøper igjen din neste bok Hei Ruthstein, jeg er glad du fant en feil. Hvis programmeringslogikken er den samme i Matlab og MT, kan de eneste årsakene være forskjellige, da inngangsdataene er feil. Ernie Ernies, når kommer du til USA for å undervise Quantitative Trading klasse Anon, Det er opp til arrangøren av workshops, Technical Analyst magazine. Hvis du er interessert, vennligst be om et New York eller Chicago-verksted på trainingtechnicalanalyst. co. uk Ernie Hei, Vil du vennligst poste en link til bloggen din på Valuta Trading Community Våre medlemmer vil sette pris på det. Medlemmer inkluderer: Valutahandlere, Valuta og Forex Trading Eksperter og Profesjonelle. Det er lett å gjøre, bare kutte og lim inn koblingen, og den kobler automatisk tilbake til nettstedet ditt. Du kan også legge til artikler, nyheter og videoer hvis du vil. Send meg e-post hvis du trenger hjelp eller vil at jeg skal gjøre det for deg. Vær så snill å dele så ofte du vil. Valutahandelssamfunnet: vortscurrencies Jeg håper du vurderer å dele med oss. Takk, James Kaufman, redaktør Jeg prøver å bruke Matlab39s HMM-funksjon for å gjøre noen enkle modellering. Jeg prøver fortsatt å forstå hvordan jeg bruker alle funksjonene til å gjøre prognosen. Si at jeg har en tidsserie med daglig retur, jeg endrer den til Opp, Flat eller Down (1, 0, -1) som min observasjon. Si at jeg har en enkel 2-statlig modell. Nå kan jeg sette hele observasjonsserien sammen med noen innledende gjetningsverdier for utslippssannsynlighet og overgangssannsynlighet for å estimere overgangs - og utslippssannsynlighetmatrisen. TRANSEST2, EMISEST2 hmmtrain (seq, TRANSGUESS, EMISGUESS) Nå, med disse to matrisen, hva gjør du for å lage den nye prediksjonen. Kjører du bare seq, sier hmmgenerate (1, TRANS, EMIS) for å generere 1 nummer som er ditt neste observasjonssekvens og kalle det din prediksjon Anon, jeg er ikke kjent med den spesifikke Matlab-funksjonen du bruker (jeg bruker en gratis pakke i stedet), men generelt sett, ja, hvis du vil forutsi neste målvariabel, så er det det du gjør . I andre applikasjoner er handelsfolk mer interessert i tilstandsvariabelen (for eksempel et sikringsforhold, som ikke er direkte observerbart og dermed quothiddenquot), og tilstandsvariabelen prediksjon vil være fokus. Ernie takk Ernie. Disse funksjonene leveres av Matlab Statistics Toolbox. Det er fem funksjoner tilgjengelig der. hmmgenerate 8212 Genererer en sekvens av tilstander og utslipp fra en Markov-modell hmmestimate 8212 Beregner maksimal sannsynlighet estimater for overgangs - og utslippssannsynligheter fra en sekvens av utslipp og en kjent sekvens av stater hmmtrain 8212 Beregner maksimal sannsynlighet estimater for overgangs - og utslippssannsynligheter fra en sekvens av utslipp hmmviterbi 8212 Beregner den mest sannsynlige tilstandsstien for en skjult Markov-modell hmmdecode 8212 Beregner bakre tilstandssannsynligheter for en sekvens av utslipp Når det gjelder din kommentar om å forutse statens variabler, er virkeligheten at vi ikke aner hva er statene og hvor mange av dem bør det være slik at folk bare tar på seg noen vilkårlige tilstander quotSunny, Rainy, Cloudyquot eller ie (RiskOn, RiskOff, RiskNeutral) type scenario. For meg å få de mest sannsynlige tilstandene, må jeg bruke Viterbi-funksjonen. sannsynligvis hmmviterbi (seq, TRANS, EMIS). Men jeg må først finne ut de TRANS, EMIS sannsynlighetsmatrisen gitt vår egen seq. av observasjoner. TRANSEST2, EMISEST2 hmmtrain (seq, TRANSGUESS, EMISGUESS) Tross alt, det høres ut som det vil være ganske mye å anslå gjettearbeid her. Du estimerer sannsynlighetsmatrisen, og bruk den estimerte sannsynlighetsmatrisen til å utlede statene dine. Etter alle disse hardworkene, kan du finne en mengde statnumre som de kaller det. Svært Likelyquot-tilstand gitt Hva har skjedd? Spørsmålet er hvordan bruker vi det NÅ for fremtiden prediksjon Er jeg mangler noe her Anon, For å avgjøre hva en stat variabel skal være, ofte trenger du litt domenekunnskap. Dvs. du trenger mer enn HMM for å begrense din modell. Et godt eksempel er gitt i kapittel 3 i min nye bok, som illustrerer bruken av HMM for å finne sikringsforholdet til et samspillende par ETFer. Den statlige variabelen som er valgt i dette tilfellet, er ikke villig i det hele tatt. Også i dette tilfellet er målet ikke å forutse neste mål, selv om du kan velge å gjøre det. Jeg tror dette papiret fra Jerry Hong er verdt å lese for deg, veldig interessant (på HMM og SVM). eecs. berkeley. eduPubsTechRpts2010EECS-2010-63.pdf Hei Laurent, jeg har faktisk lest dette papiret før. Faktisk har noen samarbeidspartnere og jeg forsøkt å kopiere og utvide resultatene til flere aksjer. Anstrengelsen var en fiasko, og forsterket min mening at maskinlæringsteknikker som direkte lærer regler, er uegnede for handel. Ernie Dette er interessant. Jeg implementerte min versjon av markov-modellen og backtestene ga meg resultater av gjennomsnittlig 66 vinnersats på en timehandelsperiode over en kumulativ handelsperiode på 5 år. Jeg brukte deretter en ppmc-metode for disse resultatene, og gevinstfrekvensen gikk opp til et gjennomsnitt på 83. I forhold til faktisk handel har jeg vært trading i 7 måneder nå, og gjennomsnittlig gevinstforholdet er 69 ved hjelp av begge metodene. Det blir bedre med tiden og tilpasser seg også til endrede markedsforhold slik at jeg er sikker på det. Anyways bare si at det er mulig å gjøre denne tingen. Takk for din rapport om suksess med HMM-modellen. Ved PPMC, mener du partikkelfilter Monte Carlo Hi Ernie, Du nevnte i boken din at du brukte quotBuy på gapquot-strategi i live trading. Hvordan håndterer du et tilfelle der det ikke er noen handler for en eller flere instrumenter under pre-åpningssession Analyser historiske data, denne saken er noen ganger sant. Et annet problem oppstår når det er tradesquotes, men de er for gamle, for eksempel tidsstempel er lik 08:55 Am. Jeg vil være takknemlig for hjelpen Hei Ernie, Du nevnte i boken din at du brukte quotBuy på gapquot-strategi i live trading. Hvordan håndterer du et tilfelle der det ikke er noen handler for en eller flere instrumenter under pre-åpningssession Analyser historiske data, denne saken er noen ganger sant. Et annet problem oppstår når det er tradesquotes, men de er for gamle, for eksempel tidsstempel er lik 08:55 Am. Jeg vil være takknemlig for hjelpen Alle intradag-backtesting skal gjøres med sitater i stedet for handler. Sitater er alltid til stede klokken 9:30. Vel, når subjektforskningen direkte angår penger som gjør det mulig, er det helt meningsløst å forvente noen form for nyttig tilbakemeldingskompetanse: idioter bidrar, smarts tjener penger. Hvis noen har en fungerende ide, er det veldig enkelt å validere - tjene penger, alternativet ville være å bidra og ha en masse fine samtaler. 12. august 2016 12. august 2016 En Regime Switching Model: Momentum vs Mean Reversion I dag ønsket jeg å dele en lenke til mitt første innlegg på Quantopian, der jeg beskriver en strategi som bruker sosiale data for å bytte mellom gjennomsnittlige reversjons - og momentumbaserte handelsregimer. Denne prestasjonen blir oppnådd ved hjelp av en ny sosial faktor I8217ve opprettet. Jeg tror at denne strategien presenterer en ny tilnærming til regime-bytte. Denne strat representerer en avvik fra mine HFT-røtter, ettersom gjenbalanseperioden er 24 timer. Jeg tror jeg kunne bli vant til det slags rolig tempo, men spesielt med retur som disse8230 Som sagt er det sannsynligvis mange forbedringer, som for eksempel en adaptiv sosial terskel og et bedre vektingssystem. Men for en leketøymodell tror jeg det er ganske uttrykksfulle å vise hvordan du kan komme i gang. Akkurat nå handler strategien et univers på 50 Equity ETF8217s, men det kan sannsynligvis utvides til flere. Jeg ønsker å utvide dette til å handle med LongShort-aksjer også. Hvis du har spørsmål, kan du gjerne kommentere her eller bruke innlegget, direkte hvis du har en Quantopian-konto. Del dette: Post navigasjon Siste innlegg Siste kommentarer Kategorier
No comments:
Post a Comment