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