Quantitative Handelsstrategie basierend auf Kalman-Filterung und Mittelwertregression
ChaoZhang
Überblick
Die Strategie nutzt die Ideen von Kalman-Schwankungen und Durchschnittsrückläufen, um kurzfristige, außergewöhnliche Schwankungen der Aktienpreise zu erfassen und den Handel mit Aktien zu orientieren. Die Strategie baut zunächst ein Preis-Ratio-Modell für Aktien und Marktindizes auf, um dann die Konvergenzrate mit der Kalman-Schwankungen-Technologie zu prognostizieren und zu schwanken.
Strategieprinzip
Die Kernidee der Strategie besteht darin, ein Verhältnismodell zu erstellen, in dem der Preis der Aktie selbst zum Marktindexpreis verglichen wird. Dieses Verhältnis kann das Preisniveau der einzelnen Aktien im Verhältnis zum Gesamtmarkt widerspiegeln. Wenn das Verhältnis hoch ist, wird angenommen, dass die Aktie überbewertet ist, was ein Verkaufssignal erzeugt; wenn das Verhältnis niedrig ist, wird angenommen, dass die Aktie unterbewertet ist, was ein Kaufsignal erzeugt.
Die Strategie verwendet die Kalman-Schwanz-Algorithmus, um das Verhältnissignal zu glätten. Die Kalman-Schwanz-Algorithmus gewichtet den tatsächlichen Beobachtungswert des Verhältnisses mit dem prognostizierten Wert, aktualisiert die Prognose des Verhältnisses in Echtzeit.
Darüber hinaus berücksichtigt die Strategie auch den Volumenfaktor. Echte Handelssignale werden nur dann erzeugt, wenn der Handelsvolumen groß ist, was einige Fehltransaktionen verhindern kann.
Strategische Stärkenanalyse
Der größte Vorteil dieser Strategie besteht darin, dass sie die Preisverhältnisse mit Hilfe der Kalman-Schwanz-Algorithmen effizient glätten und vorhersagen. Im Vergleich zu einfachen Mean-Return-Modellen sind die Kalman-Schwanz-Wellen in der Lage, die dynamischen Veränderungen der Preise besser zu reflektieren, insbesondere bei starken Preisschwankungen. Dies ermöglicht der Strategie, Abweichungen im Preis rechtzeitig zu erkennen und ein genaues Handelssignal zu erzeugen.
Zweitens erhöht die Kombination der Transaktionsmengen die praktische Anwendbarkeit der Strategie. Eine vernünftige Transaktionsmenge-Filterung hilft, einige falsche Signale zu vermeiden und unnötige Transaktionskosten zu reduzieren.
Insgesamt kombiniert die Strategie erfolgreich mehrere Techniken, wie z. B. Kalman-Wellen, Durchschnittswert-Rückkehr und Volumenanalyse, zu einer relativ starken Quantitative Trading-Strategie.
Strategische Risikoanalyse
Obwohl die Strategie theoretisch und technisch sehr gut ist, gibt es einige potenzielle Risiken, die in der Praxis zu beachten sind.
Zunächst die Modellrisiken. Einige der Schlüsselparameter im Kallmann-Schwanzmodell, wie z. B. Prozess- und Beobachtungs-Lärmdifferenz, müssen anhand historischer Daten geschätzt werden. Wenn die Schätzung nicht korrekt ist oder die Marktumgebung sich stark verändert, kann dies zu einer Abweichung der Modellprognose führen.
Das zweite Risiko ist das Risiko von Schlupfkosten. Häufiger Handel führt zu höheren Schlupfkosten, was die strategischen Gewinne beeinträchtigt. Parameteroptimierung und Handelsvolumenfilter können unnötige Geschäfte zu einem gewissen Grad reduzieren.
Schließlich besteht ein gewisses Systemrisiko, wenn ein Marktindex als Benchmark verwendet wird. Wenn der gesamte Markt stark schwankt, können auch die Preisverhältnisse zwischen einzelnen Aktien und dem Markt ungewöhnlich sein. In diesem Fall erzeugt die Strategie falsche Signale.
Richtung der Strategieoptimierung
Die Strategie bietet auch Raum für weitere Optimierungen:
Die Verwendung von komplexeren Deep-Learning-Modellen zur Anpassung und Vorhersage von Preisverhältnissen kann die Genauigkeit und Robustheit der Modelle verbessern.
Optimierung der Regeln für die Filterung der Transaktionsvolumen, um eine dynamischere und intelligentere Einstellung der Transaktionsvolumen-Schwelle zu ermöglichen. Dies kann die Wahrscheinlichkeit von Fehltransaktionen verringern.
Verschiedene Marktindizes als strategische Benchmarks zu testen, um kleinere und stabilere Indizes zu wählen. Dies kann die Auswirkungen von Systemrisiken auf den Markt reduzieren.
In Kombination mit der Fundamentalanalyse von Aktien, vermeiden Sie den Handel mit Aktien, deren Fundamentaldaten sich deutlich verschlechtern.
Strategie-Retesting und -Optimierung mit hochfrequenten Intraday-Daten können die reale Performance der Strategie verbessern.
Zusammenfassen
Die Strategie nutzt erfolgreich das Kallmann-Schwanzmodell, um kurzfristige, abnormale Schwankungen der Aktienpreise zu erfassen. Die Einführung von Handelsvolumensignalen verstärkt gleichzeitig die Praktikabilität der Strategie. Es handelt sich um eine sehr vielversprechende quantitative Handelsstrategie, obwohl bestimmte Modell- und Marktrisiken bestehen.
/*backtest
start: 2023-12-21 00:00:00
end: 2023-12-28 00:00:00
period: 1m
basePeriod: 1m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
// This source code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © xXM3GAXx
//@version=5
strategy("My strategy", overlay=true)
//SPY or QQQ
context = request.security("BTC_USDT:swap", timeframe.period, input(close))
//our stock
particular = input(close)
//ratio
src = ta.roc(particular, 1) / math.abs(ta.roc(context, 1))
//kalman calculation
Sharpness = input.float(1.0)
K = input.float(1.0)
greencolor = color.lime
redcolor = color.red
velocity = 0.0
kfilt = 0.0
Distance = src - nz(kfilt[1], src)
Error = nz(kfilt[1], src) + Distance * math.sqrt(Sharpness*K/ 100)
velocity := nz(velocity[1], 0) + Distance*K / 100
kfilt := Error + velocity
//2 std devs up and down
upper = kfilt[1] + 2 * ta.stdev(kfilt, input(20))
lower = kfilt[1] - 2 * ta.stdev(kfilt, input(20))
//plotting for visuals
plot(kfilt, color=velocity > 0 ? greencolor : redcolor, linewidth = 2)
plot(upper)
plot(lower)
//plot(ta.ema(ta.roc(particular, 1)/ta.roc(context, 1), 5), color = #00ffff, linewidth=2)
//volume data
vol = volume
volema = ta.ema(volume, 10)
//buy when ratio too low
longCondition = kfilt<=lower and vol>=volema
if (longCondition)
strategy.entry("My Long Entry Id", strategy.long)
//sell when ratio too high
shortCondition = kfilt>=upper and vol>=volema
if (shortCondition)
strategy.entry("My Short Entry Id", strategy.short)