共计 1633 个字符，预计需要花费 5 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=22034
置信大家都据说过股票和债券的多元化投资组合。改良的股票配对交易策略基本上应用了一种后退的办法（参考文章中的概念），即最大化夏普比率，偏差于稳定率而不是收益率。也就是说，它应用 72 天的挪动窗口来最大化投资组合的不同权重配置之间的总收益，标准差进步到 52 的幂。说得艰深一点，在 1 的幂数下，这是根本的夏普比率，在 0 的幂数下，只是一个动量最大化的算法。
这个策略的过程很简略: 每个月从新均衡 SPY 和 TLT 之间 5% 的倍数，之前最大化了以下数量(在 72 天窗口中返回稳定率 ^2.5)。
SPY 和 TLT 组合
以下是获取数据和计算必要数据的代码:
require(quantmod)
getSymbols(c("SPY", "TLT"), from="1990-01-01")
for(i in 1:21)
weightSPY <- (i-1)*.05
config <- Return.portfolio(R = returns, weights=c(weightSPY, weightTLT)
period <- 72
接下来，建设权重的代码：
weights <- t(apply(monthlyModSharpe, 1, findMax))
weights[is.na(weights)] <- 0 也就是说，在每个从新均衡的日期(每月的月末)，简略地采纳使每月批改的夏普比率计算最大化的设置。接下来是收益体现:
Performance(stratRets)后果如下:
具备以下股票曲线：
并不完满，但相比之下，它的成分如何呢，咱们来看看。
apply.yearly(Components, Return.cumulative)以下是一些常见的统计数据:
简而言之，这一策略的体现仿佛远远好于上述两种成分。咱们来看看股票曲线的比拟是否反映了这一点。
事实上，尽管它的确在危机中呈现了上涨，但过后这两个工具都在上涨，所以看起来这个策略在蹩脚的状况下获得了最好的成果. 以下是年度收益。
yearly(Return.cumulative)
然而，从 2002 年整体上看，尽管该策略很少会像两个中更好的体现一样，但它总是比两个中更差的表现出色 – 不仅如此，即便在一个体现差的时候，该策略在回测的每一年中都获得了踊跃的体现，例如 2008 年的 SPY，以及 2009 年和 2013 年的 TLT。以下是 SPY 在策略中的权重。
weightSPY <- do.call(rbind, weightSPY)
TimeSeries(alig, date.format="%Y", ylab="SPY 权重", main="SPY-TLT 配对中 SPY 的权重")
贵州茅台和民生银行组合
股票数据获取及整顿
## [1] "GZMT" "MSYH"组合收益体现后果如下:
退出比拟项 - 非组合下的单只体现
年化收益率比拟
通过累积收益率、日收益率和最大回撤率，以及年化收益率比拟，能够发现采纳优化办法的投资组合显著优于传统的投资策略。
当初，尽管这对某些人来说可能是一个独立的策略，但在我看来，动静地从新加权两个具备负相关性的收益流，与它们造成的成分相比，可能会产生一些较好的后果。此外，模仿理论组合收益率所采纳的办法很乏味，不是简略地依附一个数字来总结两种工具之间的关系，毫无疑问，这种办法作为一种个别的后退办法，有着宽泛的利用。
最受欢迎的见解
1. 用机器学习辨认一直变动的股市情况—隐马尔科夫模型 (HMM) 的利用
2.R 语言 GARCH-DCC 模型和 DCC（MVT）建模预计
3.R 语言实现 Copula 算法建模依赖性案例剖析报告
4.R 语言 COPULAS 和金融工夫序列数据 VaR 剖析
5.R 语言多元 COPULA GARCH 模型工夫序列预测
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