共计 1439 个字符,预计需要花费 4 分钟才能阅读完成。
原文链接:http://tecdat.cn/?p=25610
配对交易提出的问题之一是股票的贝塔值绝对于市场的不稳固预计。这是一个可能的解决方案的倡议,这并不是真正的解决方案。
看看下图:
Microsoft 的滚动系数(回归:MSFT~SPY)- 120 天的窗口,纯蓝色是应用残缺样本预计的 beta
咱们能够看到截距并没有太大的稳定,这的确意味着如果市场不稳定,MSFT 也不会。然而,beta 在稳固的市场(贝塔 = 1)和中性(贝塔 = 0)之间稳定。
当然,随着窗口的缩短,事件会变得更加不稳固,120 天大抵意味着最近的 6 个月,这并不短。兴许咱们能够在长期(稳固)预计和短期预计之间找到一个折衷方案。
一种办法是简略地均匀两个估计值。另一种是应用膨胀预计的形式对它们进行均匀。但当初,这种办法的一个简略解释是均匀计算 X 矩阵中的离散度,在咱们的例子中,它只是市场收益和截距,以后周期是否稳定?能够应用 X 矩阵的奇怪值合成来给出解释。
咱们失去一个新的 beta 估计值,它是短期和长期估计值的平均值。咱们须要决定利用多少膨胀。咱们有一个参数,称为超参数,它决定了要利用的膨胀量,低数字意味着对长期预计的拉动较小,而一个高的数字意味着对长期的拉动较大,因而对短期预计的权重较小。后果是:
你能够看到,你利用的缩减量越大,估计值就越靠近它的长期值。将超参数取为 0.1 将避免 β 值稳定到负值区域,但仍为可能的结构性变动留出一些空间。你能够用这个计划来和谐不稳固的预计程序和常识性的论点,例如,可能在这段时间内 β 值的确是负的,但这有意义吗?可能你的估计值变成负的,只是因为你想容许结构性变动,这是一件坏事,这导致了 “ 不那么直观 “ 的预计。
以下代码蕴含一个函数,用于绘制您本人的数据,将心愿查看的工夫范畴、窗口长度和股票代码作为输出。
ret <<- matrix # 收益矩阵
for (i in 1:l){
dat0 = (getSymbols
ret<<- dat - 1
}
for (i in 1:(n-w)){bet0\[i\] = lm
bet1\[i\] = lm
}
btt <<- lm$coef\[2\] # 咱们当前须要它作为一个先验平均数
plot
abline
legend
plotbe
Aok <- 0.01 #又称正则化参数
A = Amoink*diag(2)
# 你能够尝试用不同的值来代替对角线
# 兴许你不想在另一个应用程序中放大截距
prbeta
poet = matrix
for (i in 2:(n-wl)){bet0\[i\] = lm$coef\[1\]
bet1\[i\] = lm$coef\[2\]
x = cbind
post\[i,\] = solve
}
plot(postbet
lines
留神:
这个想法与“岭回归”无关,也能够看作是一种半贝叶斯办法,其中先验的均值等于长期预计。
最受欢迎的见解
1.R 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略
2.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
3.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
4.TMA 三均线期指高频交易策略的 R 语言实现
5.r 语言多均线量化策略回测比拟
6. 用 R 语言实现神经网络预测股票实例
7.r 语言预测稳定率的实现:ARCH 模型与 HAR-RV 模型
8.R 语言如何做马尔科夫转换模型 markov switching model
9.matlab 应用 Copula 仿真优化市场危险