estratégia de negociação Pca
Obter através da App Store Leia esta publicação em nosso aplicativo!
Principais Análises de Componentes e Curvas de Rendimento.
Fui encarregado de pesquisar as estratégias de negociação relacionadas ao PCA para negociar instrumentos futuros de renda fixa. Aparentemente PCA é freqüentemente usado nesta área. Eu só estou procurando algumas referências para obter uma idéia básica de como uma estratégia pode parecer. Eu não estou procurando uma estratégia vencedora - apenas um resumo de como o PCA pode ser útil na geração de sinais de negociação. Eu entendo a matemática por trás do PCA e o usei em outras áreas, mas suas aplicações para financiar são novas para mim.
Uma das melhores obras já escritas sobre este tema é o "Princípios dos Componentes Principais" da Salomon, que está prontamente disponível na Internet. Não vou entrar nos detalhes, já que este artigo é ridiculamente abrangente, mas a idéia fundamental é direta - se você executar um PCA com base em rendimentos, os três primeiros componentes capturam a maioria das variâncias, com os três fatores interpretados grosseiramente como o nível, a inclinação e a curvatura da curva.
MatlabTrading.
Blog para MATLAB & # 174; usuários interessados em estratégias de negociação algorítmica, backtesting, negociação de pares, arbitragem estatística, etc.
Segunda-feira, 3 de dezembro de 2012.
Usando o PCA para negociação de spread.
No entanto, existe um método matemático chamado Principal Component Analysis que pode ser facilmente usado para criar spreads estáveis (= tradeable?). Toda a álgebra linear é felizmente escondida dentro da função princomp, mas se você quiser entender como a PCA realmente funciona, dê uma olhada nesse tutorial. Os dados transformados podem ser descritos como: 1-st componente: 'portfólio de volatilidade máxima', que geralmente é altamente correlacionado com o mercado. Componente 2-nd: portfólio "neutro do mercado", com variação máxima. 3-d e outros componentes têm graus decrescentes de variação. Observe que, por design, a PCA produz componentes ortogonais, o que significa que todas as carteiras não estão correlacionadas entre si. Portanto, os portfólios 2 e posteriores são neutros em relação ao mercado.
8 comentários:
Um (melhor) comerciante humano é flexível o suficiente para mudar sua visão quando os fatos mudam. Um modelo não pode fazer isso porque assume que a análise PCA (ou qualquer tipo de análise) é 100% correta.
É verdade, mas um comerciante é um ser humano e, como tal, está exposto a mudanças de opinião, mesmo que os fatos realmente não mudem. Isso ocorre porque associações, sentimentos, conclusões erradas e assim por diante estão envolvidas na decisão. para deixar isso curto: não há almoço grátis. Cada conceito tem um custo. flexibilidade não é de graça.
z-score, bollinger, rsi, basta escolher um :). O único que é importante é que a propagação é inversa.
Jev, você comparou essa abordagem com a cointegração? Por exemplo. johansen na carteira de múltiplos ativos? Os spreads baseados em PCA são mais estáveis? No artigo você se concentra no 3º e 4º PC, por que não o 2º?
Você pode explicar como os componentes 3 e 4 do PCA se relacionam com os pares de segurança reais neste exemplo?
Esta é uma ideia muito interessante. Talvez seja uma maneira de encontrar correlações não compostas "compostas" classes de ativos para trocas comerciais diferentes do "padrão" queridos (ações, commodities, títulos, etc).
A inversão média é a melhor maneira de trocar esses spreads? Se sim, por quê? Eu tentei RSI OB / OS em componentes PCA de 4 ETFs do país do petróleo e os componentes não parecem ser extremamente significativos reverter, pelo menos não de curto prazo (ou seja, eu tive que usar RSI (10+) em vez de um RSI de curto prazo (2 )).
Desculpe-me, mas o enrugamento em pares requer ativos negociáveis correlacionados.
WFAToolbox - Walk-Forward Analysis Toolbox.
Complemento MATLAB para desenvolver estratégias de negociação algorítmica em MATLAB da maneira fácil.
estratégia de negociação Pca
Obter através da App Store Leia esta publicação em nosso aplicativo!
Como usar o PCA para negociação.
Alguém pode me dar algumas dicas de como abordar o uso do PCA para negociação? Em particular, parece-me, o PCA é útil para selecionar um subconjunto de uma carteira de ações (ou outra) em vez de negociar todas as ações. Mas eu me pergunto se ele também pode agregar valor ao negociar um estoque único? A PCA pode de alguma forma ser aplicada a outros insumos que possam afetar o preço das ações - talvez indicadores técnicos?
20 variáveis exógenas fracamente estacionárias. Então você pode usar o PCA para obter apenas 3.
4 variáveis ortogonais, a fim de simplificar o seu modelo sem perder muita informação (talvez primeiro 3.
4 componentes principais explicam mais de 90% dos 10.
20 variáveis originais & # 39; variância total). Por exemplo, os operadores técnicos costumam usar muito de t. a. indicadores, como MACD, RSI, estocásticos e assim por diante: é provável que o primeiro componente principal desses indicadores explique mais de 95% de todos os indicadores & # 39; variância. & ndash; Lisa Ann 2 de maio de 13 às 9:54.
Para responder às suas perguntas, precisamos dar uma olhada no que ela faz.
O PCA é matematicamente definido como uma transformação linear ortogonal que transforma os dados em um novo sistema de coordenadas, de modo que os vetores de notícias são ortogonais e explicam a parte principal da variância do primeiro conjunto.
Tomou uma matriz N x M como entrada, N representa a repetição diferente da experiência e M os resultados de uma sonda particular. Ele fornecerá direções (ou componentes principais) que explicam a variação de seu conjunto de dados.
Então, tudo depende do que você insere no seu PCA. Eu uso o PCA para olhar a correlação do mercado, então insisto nos preços de M em N vezes. Você pode inserir diferentes medidas (gregos, futuros) de um único estoque para dar uma olhada em sua dinâmica. Meu uso dará a correlação de um preço das ações com o mercado, conhecido como beta, o outro uso dará correlação entre diferentes indicadores técnicos de uma ação. E bem, acho que você pode obter alguns resultados interessantes com diferentes indicadores em relação a ações diferentes.
Não se esqueça do pré-processamento. Como você pode ver aqui: Sincronização de dados, há alguns problemas complicados com os dados de mercado.
Também depende do que você faz com seus resultados. Você pode usar algum critério para remover componentes com pouca variação para reduzir a dimensão do seu conjunto de dados. Este é o "objetivo" habitual da PCA. Ele oferece um número reduzido de ações para construir um portfólio, para estimar curvas de lucro / risco. Mas você também pode fazer um tratamento pós-tratamento mais complexo. Aqui: th-if. uj. edu. pl/acta/vol36/pdf/v36p2767.pdf você pode ver um uso de PCA combinado com a matriz de matriz aleatória para remover o ruído do mercado.
O PCA é uma ferramenta, uma ferramenta muito poderosa, mas apenas uma ferramenta. Seus resultados dependerão de como você o usa. O risco é usá-lo demais. Você sabe o que eles disseram, se você tem um martelo todo problema parece um prego.
Como expliquei neste post, PCA é um método de redução de dimensão.
Não há como usá-lo para determinar os valores intrínsecos de um estoque e, portanto, não é usado diretamente para negociação.
QuantStatRisk.
. Tudo sobre dados e estratégias.
Quarta-feira, 28 de dezembro de 2011.
Par-Trading: Usando o PCA para constituir Pares de títulos.
# Coloque a biblioteca.
# Leia um arquivo. csv chamado "test2.csv" em R.
# E construção do spread S = y-hedgeratio * x.
#beta representando o primeiro coeficiente do modelo é o hedgeratio.
# O teste é realizado em nível de 5%,
if (resCADF $ p. value & lt; 0,05)
gato ("A propagação provavelmente significa" reverter \ n ")
gato ("O spread não significa" reverter \ n ")
# Backtest a estratégia de negociação dupla e otimizar seus parâmetros.
# Modelo de regressão linear simples em trainset.
# determina a propagação.
cat ("Spread Mean:", spreadMean, "\ n")
gato ("Spead Standard Deviation:", spreadStdDev, "\ n")
# Buy Spread quando o valor cai abaixo de 2 desvios-padrão.
# e shorts se espalham quando seu valor sobe acima de 2 desvios padrão.
# zcore tem desvio padrão = 1.
gato ("a proporção de sharpe no conjunto de treinamento é:", sharpeTrainset, "\ n")
gato ("a proporção de sharpe no conjunto de teste é:", sharpeTestset, "\ n")
2 comentários:
Tks por compartilhar isso. Curiosamente, estou no processo de usar o PCA para um projeto de dados anlaysis que eu tenho no trabalho. Coisa boa!
estratégia de negociação Pca
Eu queria compartilhar um algoritmo baseado na análise de componentes principais (PCA). PCA é uma transformação para converter um conjunto de (possivelmente) variáveis correlacionadas em um conjunto de componentes de princípio ortogonal. & Quot; Cada componente maximiza a variância sob a restrição de que não está correlacionada com todos os componentes anteriores.
Embora o conceito pareça útil e eu já ouvi falar de PCA sendo usado muito em aplicações financeiras, não vi muitos exemplos concretos aplicando a idéia a uma estratégia comercial. Esta é uma facada inicial na aplicação da PCA a uma estratégia de negociação.
A estratégia é bastante direta.
1. Estimar os principais componentes.
2. Regressar cada segurança contra os primeiros componentes N mais significativos.
3. Use os resíduos de 2 para obter uma pontuação z para cada segurança.
4. Jogue fora todos os títulos onde o abs (z-score) está abaixo de algum limite.
5. Investir nos títulos remanescentes com pesos proporcionais ao negativo de seus escores z.
6. Espero pelo melhor, repita a cada X dias (semanalmente aqui)
1. Transações & amp; O deslizamento parece matar qualquer vantagem para essa estratégia quando o universo é grande. (Custos ignorados aqui)
2. Muito do sucesso parece diminuir nos últimos anos, acho que esse tipo de estratégia ficou lotado.
3. Os primeiros componentes principais parecem ser um método decente para reduzir a dimensionalidade.
Alguém tem algum uso perspicaz para PCA dentro das estratégias de negociação ?? Todos os trabalhos acadêmicos, referências ou sabedoria que você achou útil seriam muito apreciados.
Isso realmente funciona durante o acidente. talvez ele possa ser usado por outros algoritmos quando detectar um acidente?
Essa parece ser uma maneira muito boa de fazer reversão média em uma tendência de mercado subjacente. Qualquer razão que você usou (log) para entrar no PCA em vez dos retornos? Eu acho que isso pode prejudicar os principais componentes que você pode estimar. Por exemplo, o PCA é muito sensível à escala, de modo que os estoques com preços mais elevados devem sempre acabar nos principais componentes. Você poderia zscore os preços antes de executar o PCA ou usar os retornos diretamente.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.
Eu tenho lido muito sobre esse assunto e alguns pontos que valem a pena mencionar são:
yexiaoxu / MEC. PDF. Ainda lendo isso.
Desculpe, algo deu errado. Tente novamente ou contate-nos enviando comentários.
Você enviou um ticket de suporte com sucesso.
Nossa equipe de suporte estará em contato em breve.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.
Cobertura de Análise de Componentes Principais (PCA) 都有 哪些 缺点?
首先 首先 首先 首先 首先 首先 的 第 第 第 第 第 第 第 第...................................................意 为 如果 你 的 大部分 títulos 都会 在 第 5 年 或 第 10 年 到期. 那么 PCA 没有 办法 只 用 nível, inclinação 和 taxa curta 来 hedge 相对 portfólio não diversificado, 建议 用 parcial'01 或 taxa de chave 进行 hedge . 第二, cobertura de PCA 确实 会有 很大 的 Modelo de risco. 毕竟, 基于 历史 数据 这 一点 也是 木 有 办法 的 事情.
刚刚 用 刚刚 用 个 个 个 个 个 个 个 个 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思 意思请 注意, 这 并不 代表 这些 事物 之间 有 必然 的 因果 关系. 但是, dados grandes 所 反映出 的 correlação 还是 很 有趣 的. Compartilhe com qualquer um que tenha interesses em.
Obter através da App Store Leia esta publicação em nosso aplicativo!
Como usar o PCA para negociação.
Alguém pode me dar algumas dicas de como abordar o uso do PCA para negociação? Em particular, parece-me, o PCA é útil para selecionar um subconjunto de uma carteira de ações (ou outra) em vez de negociar todas as ações. Mas eu me pergunto se ele também pode agregar valor ao negociar um estoque único? A PCA pode de alguma forma ser aplicada a outros insumos que possam afetar o preço das ações - talvez indicadores técnicos?
20 variáveis exógenas fracamente estacionárias. Então você pode usar o PCA para obter apenas 3.
4 variáveis ortogonais, a fim de simplificar o seu modelo sem perder muita informação (talvez primeiro 3.
4 componentes principais explicam mais de 90% dos 10.
20 variáveis originais & # 39; variância total). Por exemplo, os operadores técnicos costumam usar muito de t. a. indicadores, como MACD, RSI, estocásticos e assim por diante: é provável que o primeiro componente principal desses indicadores explique mais de 95% de todos os indicadores & # 39; variância. & ndash; Lisa Ann 2 de maio de 13 às 9:54.
Para responder às suas perguntas, precisamos dar uma olhada no que ela faz.
O PCA é matematicamente definido como uma transformação linear ortogonal que transforma os dados em um novo sistema de coordenadas, de modo que os vetores de notícias são ortogonais e explicam a parte principal da variância do primeiro conjunto.
Tomou uma matriz N x M como entrada, N representa a repetição diferente da experiência e M os resultados de uma sonda particular. Ele fornecerá direções (ou componentes principais) que explicam a variação de seu conjunto de dados.
Então, tudo depende do que você insere no seu PCA. Eu uso o PCA para olhar a correlação do mercado, então insisto nos preços de M em N vezes. Você pode inserir diferentes medidas (gregos, futuros) de um único estoque para dar uma olhada em sua dinâmica. Meu uso dará a correlação de um preço das ações com o mercado, conhecido como beta, o outro uso dará correlação entre diferentes indicadores técnicos de uma ação. E bem, acho que você pode obter alguns resultados interessantes com diferentes indicadores em relação a ações diferentes.
Não se esqueça do pré-processamento. Como você pode ver aqui: Sincronização de dados, há alguns problemas complicados com os dados de mercado.
Também depende do que você faz com seus resultados. Você pode usar algum critério para remover componentes com pouca variação para reduzir a dimensão do seu conjunto de dados. Este é o "objetivo" habitual da PCA. Ele oferece um número reduzido de ações para construir um portfólio, para estimar curvas de lucro / risco. Mas você também pode fazer um tratamento pós-tratamento mais complexo. Aqui: th-if. uj. edu. pl/acta/vol36/pdf/v36p2767.pdf você pode ver um uso de PCA combinado com a matriz de matriz aleatória para remover o ruído do mercado.
O PCA é uma ferramenta, uma ferramenta muito poderosa, mas apenas uma ferramenta. Seus resultados dependerão de como você o usa. O risco é usá-lo demais. Você sabe o que eles disseram, se você tem um martelo todo problema parece um prego.
Como expliquei neste post, PCA é um método de redução de dimensão.
Não há como usá-lo para determinar os valores intrínsecos de um estoque e, portanto, não é usado diretamente para negociação.
QuantStatRisk.
. Tudo sobre dados e estratégias.
Quarta-feira, 28 de dezembro de 2011.
Par-Trading: Usando o PCA para constituir Pares de títulos.
# Coloque a biblioteca.
# Leia um arquivo. csv chamado "test2.csv" em R.
# E construção do spread S = y-hedgeratio * x.
#beta representando o primeiro coeficiente do modelo é o hedgeratio.
# O teste é realizado em nível de 5%,
if (resCADF $ p. value & lt; 0,05)
gato ("A propagação provavelmente significa" reverter \ n ")
gato ("O spread não significa" reverter \ n ")
# Backtest a estratégia de negociação dupla e otimizar seus parâmetros.
# Modelo de regressão linear simples em trainset.
# determina a propagação.
cat ("Spread Mean:", spreadMean, "\ n")
gato ("Spead Standard Deviation:", spreadStdDev, "\ n")
# Buy Spread quando o valor cai abaixo de 2 desvios-padrão.
# e shorts se espalham quando seu valor sobe acima de 2 desvios padrão.
# zcore tem desvio padrão = 1.
gato ("a proporção de sharpe no conjunto de treinamento é:", sharpeTrainset, "\ n")
gato ("a proporção de sharpe no conjunto de teste é:", sharpeTestset, "\ n")
2 comentários:
Tks por compartilhar isso. Curiosamente, estou no processo de usar o PCA para um projeto de dados anlaysis que eu tenho no trabalho. Coisa boa!
Comments
Post a Comment