[Neutral Hedge Statistical Arbitrage Neu] (Pure-Alpha Fantasy Edition)

Neutral Hedge Statistical Arbitrage Neu

-0 Neutrale Hedge-Statistik-Arbitrage-Strategie mit Long- und Short-Exposure

Hallo liebe Trader. Nach mehreren Monaten des Debuggens, Optimierens und Iterierens bin ich froh, dass diese neutrale statistische Hedge-Arbitrage ein relativ stabiles Niveau erreicht hat und für alle freigegeben werden kann. Dies ist eine marktneutrale Strategie, die auf Long-Short-Hedging basiert. Im selben Konto können Sie auf einen Produktkorb Long und auf einen Produktkorb Short gehen, wobei die Long- und Short-Werte gleich sind. Unter der Prämisse, das Beta-Systemrisiko des Marktes zu vermeiden, werden statistische Methoden verwendet, um verschiedene Long-Short-Paarungskombinationen zu finden, um eine Arbitragestrategie mit geringem Risiko und stabilen Alpha-Gewinnen zu erreichen. Diese Strategie hat eine gute Halteerfahrung, eine geringe Korrelation mit dem Markt, ein neutrales Long- und Short-Exposure und kein Risiko extremer Black-Swan-Ereignisse wie ³¹²⁄₅₁₉. Stattdessen wird sie in einer Zeit, in der der Markt falsch bewertet und völlig chaotisch. Außergewöhnlich. Diese Strategie wird weiter unten ausführlich erläutert.

Hello~Welcome come to my channel！

Willkommen an alle Trader auf meinem Kanal. Ich bin Zuoshoujun, ein Quant-Entwickler, der Full-Stack-Handelsstrategien wie CTA & HFT & Arbitrage entwickelt. Dank der FMZ-Plattform werde ich mehr Inhalte zur quantitativen Entwicklung auf meinem quantitativen Kanal teilen und mit allen Händlern zusammenarbeiten, um den Wohlstand der quantitativen Community aufrechtzuerhalten.

Für weitere Informationen besuchen Sie bitte meinen Kanal ~ Ich warte hier auf Sie【Quantitative Hütte des Herstellers】

1. Einführung und Erklärung der statistischen Arbitrage

Die statistische Arbitragestrategie ist eine Handelsstrategie, die die Preisbeziehung zwischen verschiedenen Warenkörben ausnutzt. Diese Strategie basiert auf statistischen Prinzipien. Sie analysiert die historischen Preistrends und Korrelationen zwischen mehreren Sorten, findet die Preisunterschiede zwischen ihnen und nutzt diese Unterschiede zum Handeln. Statistische Arbitragestrategien wurden an den Aktienmärkten in der Vergangenheit häufig eingesetzt. Die ersten statistischen Arbitragestrategien wurden hauptsächlich zwischen Aktien durchgeführt, beispielsweise zwischen Ölkonzernen oder Telekommunikationsunternehmen. Diese Strategien basieren häufig auf der Annahme einer Branchenkorrelation und zielen darauf ab, durch den Kauf unterbewerteter und den Verkauf überbewerteter Aktien Arbitrage zu erzielen.

Im Zuge der Marktentwicklung wurden statistische Arbitragestrategien nach und nach auf andere Finanzmärkte ausgeweitet, beispielsweise auf Rohstofftermingeschäfte, Devisen und Kryptowährungen. Auf diesen Märkten ist es möglich, verschiedene korrelierte Korbkombinationen zu finden und Preisunterschiede für Arbitragegeschäfte zu nutzen. Die Logik dieser Strategie basiert auf dem Prinzip der Rückkehr zum Mittelwert. Wenn die Preise mehrerer Warenkorbkombinationen von ihren statistischen Bereichen abweichen, besteht eine Tendenz zur Regression. Auf Grundlage dieses Trends kann man bei großen Preisabweichungen einen Korb mit Produkten zu hohen Preisen verkaufen und einen Korb mit Produkten zu niedrigen Preisen kaufen, um sich gegen vorübergehende Fehlbewertungen auf dem Markt abzusichern. Auf diese Weise können Sie aus der Streuung mehrerer Korbpaarungskombinationen Gewinne erzielen.

2. Vor- und Nachteile der statistischen Arbitrage

Vorteil:

• Reduzieren Sie das Marktrisiko: Statistische Arbitragestrategien basieren auf Arbitragegeschäften zwischen den Differenzen zwischen Warenkörben. Im Vergleich zu Einzelwarengeschäften diversifizieren sie die Risiken und reduzieren die Auswirkungen von Marktschwankungen auf Strategien. Reduzierte systemische Marktrisiken.
• Stabile Renditen: Statistische Arbitragestrategien führen Regressionsarbitragetransaktionen auf der Grundlage kurzfristiger Marktfehlbewertungen durch und weisen im Vergleich zu direktionalen Strategien stabilere Renditeeigenschaften auf. Im Vergleich zu direktionalen Strategien führt es zu einem geringeren Risiko, einer geringeren Volatilität und stabileren Erträgen.
• Kann sich an unterschiedliche Marktumgebungen anpassen: Statistische Arbitragestrategien können in unterschiedlichen Marktumgebungen funktionieren, da diese Handelsstrategie weniger mit der Richtung des Marktes zu tun hat.

Mangel:

• Historische Daten können nur vergangene Zusammenhänge widerspiegeln und können die Zukunft nicht vollständig darstellen, daher sind gewisse Risiken damit verbunden. Bei der Entwicklung statistischer Arbitragestrategien wird eine große Anzahl statistischer Tests verwendet und es wird eine Kombinations- und Korrelationsanalyse von Korbprodukten auf der Grundlage historischer Big Data durchgeführt. Diese Strategien können sich in Zukunft ändern und sind mit gewissen Extremrisiken behaftet.
• Der erforderliche Zeitraum, um den Markt trotz kurzfristiger Preisfehler und Ungleichgewichte wieder ins Gleichgewicht zu bringen, lässt sich nur schwer genau abschätzen. Wenn die Transaktionszeit zu lang ist, sind auch die Kosten für die Verwendung der Mittel sehr hoch.
• Äußerst anspruchsvolle Fähigkeiten zur Datenanalyse und Modellerstellung: Statistische Arbitragestrategien erfordern eine eingehende Analyse und Modellierung statistischer Daten wie Korrelation und Kointegration zwischen verschiedenen Korbkombinationen, was wiederum hohe Fähigkeiten zur Datenanalyse und Modellerstellung erfordert.
• Transaktionsausführungs- und Liquiditätsrisiko: Da es sich um eine Absicherungstransaktion mit mehreren Produkten handelt, können Ausführungspreis und Handelsvolumen von unterschiedlichen Produkten beeinflusst werden und es besteht ein Transaktionsausführungsrisiko. Es bedarf einer ausgefeilteren Strategieentwicklung und Architekturimplementierung.

3. Der Hauptinhalt dieser Alpha-Statistik-Arbitrage

1. Überwachen Sie alle Produktdaten in Echtzeit, führen Sie Big Data-Scans durch und erstellen Sie Long- und Short-Produktkorbkombinationen.

Konkret wird eine Kombinationskorbpaarung erstellt: Wenn es beispielsweise 6 Sorten A, B, C, D, E und F gibt, kann jede in 2 Gruppen mit jeweils 3 Sorten in jeder Gruppe unterteilt werden, um einen Korb zu erstellen Kombination. Gleichzeitig wird eine Indexarbitrage aufgebaut: Einige Branchen und Sektoren werden in zwei Teile geteilt, zwei neue Marktindizes werden erstellt und anschließend wird für diese beiden Indizes eine statistische Datenanalyse durchgeführt.

2. Überprüfen Sie die Korrelation zwischen den Long- und Short-Basket-Kombinationen.

Korrelation bezieht sich auf den Grad der Verbindung zwischen zwei oder mehr Variablen. Es wird verwendet, um die Beziehung zwischen der Änderung einer Variablen und der Änderung einer anderen Variablen zu messen. Dadurch lässt sich leichter ermitteln, ob eine entsprechende Beziehung besteht, oder die Auswirkung der Änderung einer Variablen auf eine andere Variable vorhersagen. Der Korrelationskoeffizient ist eine gängige Methode zur Messung von Korrelationen. Zu den gebräuchlichsten Methoden gehören der Korrelationskoeffizient nach Pearson und der Rangkorrelationskoeffizient nach Spearman. Der Pearson-Korrelationskoeffizient wird verwendet, um die Beziehung zwischen zwei kontinuierlichen Variablen auszuwerten, während der Spearman-Rangkorrelationskoeffizient verwendet wird, um die Beziehung zwischen zwei ordinalen Variablen auszuwerten. Der Bereich des Korrelationskoeffizienten beträgt[-1, 1], wobei -1 eine negative Korrelation, 1 eine positive Korrelation und 0 keine Korrelation anzeigt. Je näher der Korrelationskoeffizient bei -1 oder 1 liegt, desto stärker ist die Korrelation; je näher er bei 0 liegt, desto schwächer ist die Korrelation. Die mathematische Formel des Korrelationskoeffizienten lautet wie folgt (am Beispiel des Pearson-Korrelationskoeffizienten):

r = cov(X, Y) / (std(X) * std(Y))。

Dabei ist r der Korrelationskoeffizient, cov die Kovarianz, std die Standardabweichung und X und Y stellen jeweils zwei Variablen dar. Beim Testen auf Korrelation besteht ein gängiger Ansatz darin, die statistische Signifikanz des Korrelationskoeffizienten zu berechnen. Ob der Korrelationskoeffizient signifikant ist, lässt sich üblicherweise durch Hypothesentests ermitteln. Die Nullhypothese des Hypothesentests ist, dass keine Korrelation zwischen den Variablen besteht. Die Statistiken des Korrelationskoeffizienten werden berechnet, um zu bestimmen, ob die Nullhypothese abgelehnt werden soll.

3. Testen Sie die Kointegration des Long-Short-Basket-Portfolios.

Unter Kointegration versteht man die langfristige Beziehung zwischen zwei oder mehreren Zeitreihenvariablen, das heißt, ihre lineare Kombination ist stabil. Im Vergleich zur Korrelation legt die Kointegration mehr Wert auf die langfristige Gleichgewichtsbeziehung und nicht nur auf die kurzfristige Korrelation. Wenn sie von dieser Gleichgewichtsbeziehung abweichen, gibt es einen Korrekturmechanismus, um die Abweichung wieder in einen vernünftigen Bereich zu bringen. Das Konzept der Kointegration wurde erstmals 1987 von Spiegelman (S.G.Engle) und Granger (C.W.J.Granger) vorgeschlagen, um das Problem der scheinbaren Regression in der Zeitreihenanalyse zu lösen. Das Problem der unechten Regression wird durch die mögliche Existenz von Einheitswurzeln zwischen Variablen verursacht. Die Einheitswurzeln lassen die Regressionsbeziehung zwischen Variablen kurzfristig signifikant erscheinen, langfristig besteht jedoch keine echte Gleichgewichtsbeziehung.

Die Kointegrationstheorie beginnt mit der Analyse der Nichtstationarität von Zeitreihen und untersucht die langfristige Gleichgewichtsbeziehung, die durch nichtstationäre Variablen impliziert wird. Wenn die beteiligten Variablen nach der Differenz erster Ordnung stationär sind und eine lineare Kombination dieser Variablen stationär ist, dann besteht eine Kointegration zwischen diesen Variablen. Kointegration wird verwendet, um die stationäre Beziehung zwischen zwei oder mehr Reihen zu charakterisieren. Jede Folge kann einzeln nicht stationär sein und die Momente dieser Folgen, wie etwa Mittelwert, Varianz oder Kovarianz, ändern sich mit der Zeit, während die lineare Kombinationsfolge dieser Zeitreihen die Eigenschaft haben kann, sich mit der Zeit nicht zu ändern. Bei der Kointegration zweier Vermögenspreise weist ihre lineare Kombination die Eigenschaft der Mittelwertrückkehr auf. Die mathematische Formel der Kointegration lautet wie folgt (am Beispiel zweier Zeitreihenvariablen):

Y_t = β_0 + β_1 * X_t + ε_t

Unter diesen stellen Y_t und X_t die beobachteten Werte zweier Zeitreihenvariablen dar, β_1 ist der Regressionskoeffizient und ε_t ist der Fehlerterm. Wenn zwischen Y_t und X_t eine Kointegrationsbeziehung besteht, ist die Linearkombination der beiden Variablen stabil, d. h. ε_t ist stationär. Erfüllt die Normalverteilung mit Mittelwert 0. Beim Testen der Kointegration ist normalerweise ein Stabilitätstest erforderlich. Häufig verwendete Methoden sind der Johansen-Test und der Engle-Granger-Test. Der Johansen-Test basiert auf der Eigenwertmethode und kann die Kointegrationsbeziehung zwischen mehreren Variablen direkt testen. Der Engle-Granger-Zwei-Stufen-Test basiert auf der modifizierten OLS-Schätzmethode (Ordinary Least Squares) und eignet sich zum Test der Kointegrationsbeziehung zwischen zwei Variablen.

4. Mit dieser Strategie wird die Kointegrationsbeziehung von Zeitreihen für eine große Anzahl von Kombinationen getestet. Die spezifischen Kriterien sind wie folgt:

• Die Zeit-Preis-Reihe eines einzelnen Portfolio-Korbs ist ein einfacher integraler Vektor erster Ordnung, d. h. die Zeit-Preis-Reihe ist nicht stationär (hat einen klaren Trend). Verwenden Sie die ADF-Einheitswurzel, um die Stationarität der Preiszeit in mehreren Zeiträumen zu testen.
• Die Differenzenreihe erster Ordnung (also die Ableitung) der einzelnen Korbkombinationen ist stationär. ADF-Unit-Root-Test für die beiden Korb-Zeitpreisreihen. Die ADF-Einheitswurzel wird verwendet, um die Stationarität der Differenzen erster Ordnung der beiden Korbzeitpreisreihen zu testen.
• Eine bestimmte Linearkombination der gepaarten Zeit-Preis-Reihen ist stationär, das heißt, der Residuum der mit den beiden Reihen konstruierten linearen Gleichung ist stationär. Für zwei Sequenzen gleicher Ordnung wird eine OLS-Regression durchgeführt und die Stationarität der Residuen getestet.
• Weitere statistische Tests und Datenanalysen werden hier nicht wiederholt. Es wird eine groß angelegte, detaillierte und umfassende statistische Analyse aller Produkte auf dem gesamten Markt durchgeführt.

5. Führen Sie eine große Anzahl von Hurst-Index-Tests durch.

Mit dem Hurst-Exponenten wird das Langzeitgedächtnis einer Zeitreihe gemessen, um die Mittelwertreversionseigenschaften der Reihe zu bestimmen. Der Hurst-Indexwert liegt zwischen 0 und 1, wobei Werte nahe 0,5 einen Random Walk und Werte nahe 1 einen anhaltenden Trend anzeigen. Prinzip: Der Hurst-Index schätzt den Grad des Langzeitgedächtnisses einer Sequenz, indem er das Verhältnis zwischen der Abweichungsbreite sich überlappender Teilsequenzen der Sequenz und ihrer Länge berechnet. Mathematische Formel: Eine Methode zur Berechnung des Hurst-Index besteht darin, die Beziehung zwischen Abweichungsbereich und Länge überlappender Teilsequenzen zu nutzen, um die entsprechende Beziehung von Zufallswegen festzustellen. Der Hurst-Exponent kann mithilfe einer linearen Regressionsanpassung zwischen dem Streuungsbereich und der Länge überlappender Teilfolgen geschätzt werden.

6. Schätzung der mittleren Reversionshalbwertszeit.

Die Halbwertszeit der Mittelwertumkehr ist ein Maß, mit dem man die Zeit schätzt, die eine Preisreihe benötigt, um zu ihrem Mittelwert zurückzukehren. Je kürzer die Halbwertszeit, desto schneller ist die mittlere Rückkehrrate. Prinzip: Die mittlere Reversionshalbwertszeit wird durch Anpassung eines konvergenten exponentiellen gleitenden Durchschnittsmodells (EMA) geschätzt. Wenn die Abweichung einer Preisreihe vom Mittelwert die Halbwertszeit überschreitet, kann davon ausgegangen werden, dass die Möglichkeit einer Rückkehr zum Mittelwert besteht. Mathematische Formel: Die Berechnungsformel für die mittlere Reversionshalbwertszeit lautet:

(H = -\frac{\ln(0.5)}{\ln(\frac{P_t}{Pt - P{t-1}})})

Überprüfungsmethode: Sie können die EMA der Preisreihe berechnen und dann die Halbwertszeit basierend auf der EMA berechnen.

7. Entwickeln Sie Handelsstrategien auf der Grundlage großer Mengen statistischer Daten.

Um es einfach auszudrücken: Die Korbproduktkombinationen werden auf der Grundlage der Hurst-Indexsortierung gefiltert, die relevanten statistischen Parameter werden auf der Grundlage der mittleren Halbwertszeit geschätzt und die Handelsstrategiekombination wird auf der Grundlage der Kointegration konstruiert. Weitere Details werden nicht beschrieben. .

Angenommen, x und y sind die Preiszeitreihen des Vermögenskorbs X bzw. des Korbs Y. Die Kointegrationsbeziehung zwischen den beiden kann wie folgt ausgedrückt werden: Lny = a + blnx + c, wobei c der Restterm ist, der stabil ist und die Mittelwert von 0. Die Normalverteilung.

Nach dem Kointegrationstest besteht eine Kointegrationsbeziehung zwischen den Zeitpreisen der Vermögenswerte X und Y, die Standardabweichung des Residuenterms c beträgt σ und die Konstante λ wird als Grenzwert gewählt.

• Wenn lny-(a+blnx) > λσ, ist der Preis von Korb Y relativ überbewertet und der Preis von Korb X relativ unterbewertet, also kaufe Korb X und verkaufe Korb Y;
• Wenn lny-(a+blnx) < -λσ ist der Preis von Korb X relativ überbewertet und der Preis von Korb Y relativ unterbewertet, also kaufen Sie Korb Y und verkaufen Sie Korb X;
• Wenn die Preisdifferenz lny-(a+blnx) in einen bestimmten Bereich zurückkehrt, beispielsweise [-0,5λσ, 0,5λσ], schließen Sie die Position;

8. Einige Eigenschaften.

Die aktuelle Version ist relativ vollständig und umfasst superstarken, nahezu vollständigen Markthandel, die Schätzung hochfrequenter Trends von Handelsaufgaben und Marktpreisen, um Vorteile bei hochfrequenten Maker-Taker-Transaktionen zu erzielen, sowie die Absicherung einzelner Produkte nach der langfristigen Wahrscheinlichkeit. Vorteilsüberprüfung. Auf Absicherung, letzte lokale Erfassung jeder Order, gemischte Hedging-Operationen mit anderen Strategien etc. wird nicht näher eingegangen.

4. Einige historische Performancedaten (Minuten-Slice-Statistiken, Taker-Kostendaten von 50.000 nach Schätzung des tatsächlichen Transaktionspreises)

[Neutrale Hedge Statistische Arbitrage Neu] - Supernova

5. Freuen Sie sich auf Zusammenarbeit und Austausch sowie gemeinsames Lernen und Fortschritte

[Neutrale Hedge Statistische Arbitrage Neu] - Supernova

Münzdaten von Drittanbietern

Jede Strategie hat ihre eigene Methodik und Marktbedingungen, die bestimmen, ob sie geeignet ist oder nicht. Beispielsweise basiert die Mean-Reversion-Strategie auf Theorien wie dem Market Random Walk, und die Momentum-Trend-Strategie basiert auf verschiedenen Theorien der Verhaltensfinanzierung und der Existenz von Fat-Tail-Fluktuationen auf dem Markt. Es ist wichtig, seine Prinzipien zu verstehen und sich aufgrund seiner Eigenschaften an seine Schwankungen anzupassen. Gleichzeitig müssen Nutzer von Strategien darauf achten, dass Gewinne und Verluste aus derselben Quelle stammen. Höhere Renditen gehen immer mit höheren Risiken einher. Ausgereifte Strategien haben ihre Vor- und Nachteile. Sie sollten vernünftig eingesetzt werden und die Vorteile nutzen ihre Stärken und ihre Schwächen vermeiden. Sie sollten wissen, was richtig und was falsch ist und ob sie für den Markt geeignet sind. Eine komplette Leistung, mit Zuversicht und ohne Überraschungen.

Die Quantifizierung ist kein Perpetuum mobile und auch nicht allmächtig, sie muss jedoch die Richtung des zukünftigen Handels vorgeben und ist es wert, von jedem Händler gelernt und verwendet zu werden! Alle Händler sind herzlich eingeladen, auf Mängel hinzuweisen, gemeinsam zu diskutieren, gemeinsam zu lernen und sich zu verbessern, die Wellen des turbulenten Marktes zu reiten und voranzukommen.

● Diese Strategie ist ziemlich einzigartig und unterscheidet sich deutlich von herkömmlichen Trends, Rastern, Hochfrequenzen, Arbitrage usw. Sie hat eine begrenzte Kapazität und wird hauptsächlich selbst betrieben. Große Benutzer und institutionelle Anleger sind herzlich eingeladen, zu kommunizieren und zu lernen.

● Weitere Kooperationspläne: Wir pflegen eine offene und für beide Seiten vorteilhafte Kooperationshaltung gegenüber allen Einzelpersonen und Institutionen mit Bedarf. Wir freuen uns auf Ihre Gespräche und eine maßgeschneiderte Zusammenarbeit auf der Grundlage Ihrer Bedürfnisse, Risikopräferenzen usw.

Wenn Sie eine höhere Risikobereitschaft haben, kurzfristige Gewinne und Verluste bevorzugen und kurzfristigen Handel benötigen, können Sie eine andere stabile Hochfrequenzstrategie mit einer monatlichen Rendite von 3%-50% und ohne Risiko von Liquidation: Hochfrequenz-Hedging-Market-Making-Raster Neu

Wenn Sie über große Geldbeträge verfügen, können Sie sich ein anderes Compound-CTA-Handelssystem mit großer Kapazität und mittlerer und niedriger Frequenz ansehen, das seit 1.000 Tagen ohne Probleme im realen Handel läuft. Es handelt sich um das CTA-Strategie-Kombinationssystem mit der längsten Veröffentlichungszeit, hoher Stabilität und starker Universalität, um mittel- und langfristig stabiles Wachstum zu erzielen: 【Neues zusammengesetztes CTA-Handelssystem】 (Multi-Faktor + Multi-Varietät + Multi-Strategie Public Edition)

✱ Kontaktinformationen (willkommen, um gemeinsam zu diskutieren und zu lernen) WECHAT: haiyanyydss Telegram: https://t.me/JadeRabbitcm Weitere nützliche Informationen ➔ Quantitative House of the Trader https://www.fmz.com/market-offer/512 ✱Fully automatic CTA & HFT & Arbitrage trading system @2018 - 2024