共计 3166 个字符,预计需要花费 8 分钟才能阅读完成。
全文链接:http://tecdat.cn/?p=31973
最近咱们被客户要求撰写对于无套利区间模型的钻研报告,包含一些图形和统计输入。
股指期货的套利交易有助于股指期货实现其价格发现以及危险躲避的性能,因而进步套利交易的效率, 对于施展股指期货在经济倒退中的作用有着重要的意义
本文帮忙客户对期货期现套利的钻研。钻研中次要以期货及其现货指数的数据为样本, 实在的还原了市场,进步了钻研的准确性。
统计套利策略
Bondarenko (2003)认为统计套利策略是指投资老本为零,然而其冀望收益为正、条件期望收益为非负的投资策略; 他同时指出, 传统的套利定义过于严格,在实际操作中意义不大。Vidyamurthy ( 2004)认为,统计套利是基于绝对定价的思维,类似的资产应该具备类似的价格,所以价差应放弃在一个平衡的程度; 如果价差变大,则认为产生套利机会。协整实践最早由 Engle & Granger ( 1987> 提出,Wahab & Lashgari ( 1993)、Lien & Luo (1993)、Tse(1995)发现协整关系是期货价格与现货价格之间的十分重要的关系。Burgess (1999)以基于协整关系的统计套利模型对英国富时 100 指数期货进行实证钻研, 获得了很好的成果。
无套利区间模型:
下限
上限
参数意义:
数据取值:
1. 取 10 个交易日,现货都用华泰柏瑞 30OETF, 做出相似这样的图像
rs=0.028
r1=0.056
d=0.022842
TE=0.001373
Mf=0.1
Cs1=0.02*0.01
Fs1= 0.0173*0.01
Cs2= 0.3698*0.01
Fs2= 0.0265*0.01
Cs3= 0.3698*0.01
Fs3 =0.0265*0.01
期货数据:
读取数据
head(data)
## 日期 开盘价(元) 最高价(元) 最低价(元) 收盘价(元) 成交额(百万)
## 1 40484.40 2515.82 2517.14 2509.18 2511.86 10352.92
## 2 40484.40 2512.48 2521.34 2512.06 2521.34 6220.21
## 3 40484.41 2521.41 2522.15 2514.64 2514.74 6700.37
## 4 40484.41 2514.57 2514.57 2511.49 2513.30 4455.17
## 5 40484.41 2513.39 2515.53 2513.31 2514.45 3821.64
## 6 40484.42 2514.35 2519.64 2514.23 2519.64 4778.68
## 成交量(股)
## 1 1353244240
## 2 842527307
## 3 874920739
## 4 593051008
## 5 488534018
## 6 717302833
无套利区间模型
# 下限
t=1
T=t+16
S=data$` 收盘价(元)`
upp=S[t]*((Css+Cfb+TE)*exp(rs-d)*(T-t)+(1+Csb+TE)*exp(r1*(T-t))-exp(d*(T-t)))/(1+Mf-(Mf+Cfs)*exp(r1*(T-t)))
#上限
lower=S[t]*(exp(d*(T-t)-(2+Csb-Cfs+TE)*exp(rs-d)*(T-t)+(1-Css-TE)*exp(rs*(T-t)) ))/(1-Mf+(Mf+Cfb)*exp(rs*(T-t)))
取 10 个交易日进行钻研
for(t in 1:(nrow(data))){
#下限
T=t+13.575
S=data$` 收盘价(元)`
((Css+Cfb+TE)*exp(rs-d)*(T-t)+(1+Csb+TE)*exp(r1*(T-t))-exp(d*(T-t)))/
#上限
T=t+0.506
(exp(d*(T-t)-(2+Csb-Cfs+TE)*exp(rs-d)*(T-t)+(1-Css-TE)*exp(rs*(T-t))))
点击题目查阅往期内容
Python 配对交易策略统计套利量化交易剖析股票市场
左右滑动查看更多
01
02
03
04
统计后果
stragedy=result$"市场价格" >=result$"无套利区间下限"
stragedy[stragedy== "TRUE"]="正向套利"
index=result$"市场价格" <=result$"无套利区间上限"
stragedy[index== "TRUE"]="反向套利"
stragedy[stragedy== "FALSE"]="0"
统计正向套利和反向套利机会的次数、收益率。
2. 取 18 个交易日钻研,存贷款利率参数变一下。画出图形。统计一下正向套利和反向套利机会的次数、收益率。
# 参数取值
rs=0.0255
r1=0.056
#无套利区间模型
#下限
t=1
T=t+16
S=data$` 收盘价(元)`
upp=S[t]*((Css+Cfb+TE)*exp(rs-d)*(T-t)+(1+Csb+TE)*exp(r1*(T-t))-exp(d*
3. 取 6 月份 9 个交易日钻研,存贷款利率参数变一下。画出图形。统计一下正向套利和反向套利机会的次数、收益率。
lower=numeric(0)
for(t in 1:(nrow(data))){
#下限
T=t+11.875
S=data$` 收盘价(元)`
((Css+Cfb+TE)*exp(rs-d)*(T-t)+(1+Csb+TE)*exp(r1*(T-t))-exp(d*(T-t)))/
4.11 月份,9 个交易日究,存贷款利率参数变一下。画出图形,统计一下正向套利和反向套利机会的次数、收益率。
表:套利参数变更
# 参数取值
rs=0.013
r1=0.0435
d=0.02177
Mf=0.42
Fs1= 0.245*0.01
Cfb=0.2715*0.01
Cfs=0.2715*0.01
#无套利区间模型
#下限
t=1
T=t+16
S=data$` 收盘价(元)`
table(stragedy)
点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《R 语言无套利区间模型:正向套利和反向套利次数、收益率剖析华泰柏瑞 300ETF 可视化》。
点击题目查阅往期内容
R 语言资产配置策略量化模型:改良的挪动平均线策略动静回测 \
R 语言量化:合成稳定率指数挪动均匀策略剖析规范普尔 500 稳定率指数 (VIX)\
R 语言改良的股票配对交易策略剖析 SPY-TLT 组合和中国股市投资组合 \
R 语言量化交易 RSI 策略:应用反对向量机 SVM\
应用 R 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略 \
R 语言量化交易 RSI 策略:应用反对向量机 SVM\
R 语言资产配置: 季度战术资产配置策略钻研 \
R 语言动量交易策略剖析调整后的数据 \
TMA 三均线股票期货高频交易策略的 R 语言实现 \
R 语言工夫序列:ARIMA / GARCH 模型的交易策略在外汇市场预测利用 \
R 语言基于 Garch 稳定率预测的区制转移交易策略 \
r 语言多均线股票价格量化策略回测 \
应用 R 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略 \
Python 基于粒子群优化的投资组合优化钻研 \
R 语言 Fama-French 三因子模型理论利用:优化投资组合 \
R 语言动量和马科维茨 Markowitz 投资组合 (Portfolio) 模型实现 \
Python 计算股票投资组合的危险价值(VaR)\
R 语言 Markowitz 马克维茨投资组合实践剖析和可视化 \
R 语言中的狭义线性模型(GLM)和狭义相加模型(GAM):多元(平滑)回归剖析保险资金投资组合信用风险敞口