Déclaration de droit d'auteur: Si vous souhaitez copier le code de cet article, veuillez indiquer son origine, si vous souhaitez l'utiliser à des fins commerciales ou pour rédiger un article, veuillez envoyer un courrier privé ou contacter l'auteur au 940648114@gmail.comqq.com

Première remarque

Les avantages de la quantification des transactions

Les transactions quantifiées sont des jugements subjectifs substitués à des modèles mathématiques avancés, qui utilisent la technologie informatique pour élaborer des stratégies qui réduisent considérablement l'effet des fluctuations d'émotion des investisseurs et évitent de prendre des décisions d'investissement irrationnelles dans des conditions de marché extrêmement frénétique ou pessimiste. En raison de la continuité du marché de négociation de la monnaie numérique 24 * 7 heures sur 24, et des transactions quantifiées pouvant atteindre l'effet de transactions à haute fréquence, le marché de la monnaie numérique est clairement un bon point de départ pour la quantification. Le marché de la monnaie numérique est encore immature. Les problèmes des systèmes de négociation de plate-forme, les points de connexion k sont encore occasionnels et constituent un risque pour les transactions quantifiées.

Deuxièmement, une présentation du modèle GQNR

Ce modèle est basé sur le modèle de prévision de la volatilité de Garch, qui utilise une régression non linéaire pour prévoir la VaR de la volatilité de la prévision à travers une régression décimale, par exemple GA, pour prévoir la VaR supérieure et la VaR inférieure dans le cycle suivant.

1.Garch模块

Cette section présente en détail la déduction du cœur de la stratégie Garch, une méthode qui a une certaine universalité sur les marchés financiers et peut atteindre un certain effet de prédiction sur les monnaies numériques.

1.1 Définition de Garch

L'essence de l'ARCH est de faire correspondre les valeurs de la différence différentielle actuelle à la symétrie mobile de l'étape q de la séquence des carrés de dérivation. Comme le modèle de moyenne mobile a une terminabilité de l'étape q des coefficients de dérivation, le modèle ARCH ne fonctionne en réalité que pour les coefficients de dérivation courts de dérivation. Cependant, dans la pratique, certaines séquences de dérivées ont des fonctions d'inverse à long terme, ce qui entraîne un nombre élevé de moyennes mobiles, ce qui augmente la difficulté d'estimation des paramètres et affecte finalement la précision de l'ARCH. Pour remédier à ce problème, on propose un modèle de différence différentielle de la régression conditionnelle, abrégé en GARCH (p,q). Le modèle GARCH est en fait basé sur l'ARCH, en augmentant la régressivité de l'étape p de la fonction de différence considérée, ce qui permet de s'adapter efficacement aux fonctions de différence qui ont une mémoire à long terme. Le modèle ARCH est un cas particulier du modèle GARCH, le modèle GARCH (p,q) de p = 0.

1.2 Le processus ARCH

S'il est défini que σn est l'estimation de la volatilité de l'actif au cours du nème cycle de négociation, alors que mu est le taux de rendement quotidien, il peut être estimé de manière impartiale en fonction du taux de rendement du dernier cycle de négociation m: Ça va aller. Je ne sais pas.N^2 = \frac{1}{m-1} \sum\limits Il est donc possible de calculer la somme des limites{i=1}^m {({ \mu_{n-i}- \overline{\mu} }) ^2}, ce qui signifie que la ligne de l'autre côté de la ligne est la même que la ligne de l'autre côté de la ligne. Ça va aller. Les modifications suivantes sont effectuées: 1 pour convertir μn-i en pourcentage de rendement; 2 pour convertir m-1 en m; 3 pour supposer que μ = 0, et ces modifications n'ont pas beaucoup d'impact sur les résultats. Les fluctuations peuvent être simplifiées selon la formule ci-dessus: Ça va aller. Je ne sais pas.n^2 = \frac{1}{m} \sum\limits Il est donc possible de calculer la somme des limitesJe vais vous donner un exemple de ce que je peux faire. Ça va aller. C'est-à-dire que le carré de la fréquence de fluctuation de chaque cycle a une pondération égale à 1/m. Puisque c'est l'estimation de la fréquence de fluctuation actuelle, les données à proximité devraient accorder une plus grande pondération, la formule ci-dessus peut être modifiée en: Ça va aller. Je ne sais pas.n^2 = limites de la sommeJe vais essayer d'expliquer ce que c'est. Je vais essayer d'expliquer ce que c'est. Ça va aller. αi est le coefficient du carré du taux de rendement du cycle de négociation i, la valeur positive étant supérieure à i et la somme pondérée est de 1; en posant une différence de long terme VL et une pondération correspondante γ, on obtient:

Ça va aller. Les cas commencentn^2 = \gamma VLe nombre de fois où le nombre de cas est égal à 1 est égal au nombre de fois où le nombre de cas est égal au nombre de fois où le nombre de cas est égal à 1 Ça va aller. La formule ((15) peut être écrite comme suit: Ça va aller. Je ne sais pas.n^2 = \omega+\sum\limits Il est donc possible de calculerJe vais vous donner un exemple de ce que je peux faire. Ça va aller. En fonction de la formule ci-dessus, nous pouvons obtenir le processus courant ARCH ((1) Ça va aller. Je ne sais pas.N^2 = Oméga + Mu{n-1} ^2}, Ça va aller.

1.3 Le processus GARCH

Le modèle GARCH ((p,q) est une combinaison des modèles ARCH§ et EWMA ((q), ce qui signifie que la volatilité est liée non seulement aux gains de la période précédente p, mais aussi à la période précédente q elle-même, exprimée comme suit: Ça va aller. Je ne sais pas.n^2 = \omega+\sum\limits Il est donc possible de calculer{i=1}^m { \alpha_i\mu_{n-i} ^2} + \sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2}, ce qui signifie que le nombre de lignes est égal au nombre de lignes. Ça va aller. En fonction de la formule ci-dessus, nous obtenons le GARCH commun ((1, 1)): Ça va aller. Je suis en train d'écrire.N^2 = Oméga + Mu{n-1} ^2+\beta\sigma_{n-1}^2}\&\ \qquad\alpha+\beta+\gamma=1 & \end{cases}, Ça va.

2 modules QR

Ce module explique les régressions de base des fractions et décrit l'importance des fractions stratégiques.

2.1 Définition de QR

La régression des fractions est une méthode de modélisation qui évalue la relation linéaire entre un ensemble de variables de régression X et les fractions de la variable Y à interpréter. Les modèles de régression antérieurs sont en fait des conditions attendues pour l'étude des variables expliquées. On s'intéresse également à l'explication de la relation entre les variables et la médiane de la distribution des variables expliquées. Il a été proposé par Koenker et Bassett (1978).

2.2 De l'OLS au QR

La méthode de régression générale est le double minimum, c'est-à-dire la somme des carrés de l'erreur minimale: Ça va aller. Il y a une différence de taille entre les deux.Je vais vous le dire. Ça va aller. L'objectif du fractionnement est de minimiser les valeurs absolues d'erreur pondérées sur la base de la formule ci-dessus et: Ça va aller. Je ne sais pas si c'est vrai.Je vais essayer d'avoir une idée de ce qu'il faut faire. Ça va.

2.2 Visualisation QR

Vous pouvez voir que tous les échantillons sont divisés par des lignes de régression dans différents espaces, et cette ligne de régression devient aussi une ligne de segmentation.

3. Le retour de GARCH-QR

Il est naturel que nous nous demandions si nous pourrions faire une régression en utilisant des sigmas de volatilité inconnus du marché et des fractions Q ou VaR pour prédire le seuil de volatilité dans des conditions de probabilité futures.

3.1 Sélectionnez la forme de régression de la volatilité et de la VaR

Comme il s'agit ici du cœur de la stratégie, j'utilise une forme pour illustrer les idées. Ça va aller. VaR=\epsilon + W^TE\E=(\zeta, \zeta^2, \zeta^3, \zeta^4) \W=(W_1, W_2, W_3, W_4) Ça va aller.

3.2 Définition des fonctions cibles

Sur la base des informations ci-dessus, nous obtenons une fonction cible à optimiser après la combinaison: Ça va aller. Le résultat de cette analyse est le résultat de la recherche de la valeur de l'indice de décomposition. Ça va aller.

3.3 Optimisation des fonctions cibles à l'aide du machine learning

Cette étape est plus facultative, avec une dégradation de la gamme traditionnelle, et des algorithmes génétiques, où les lecteurs peuvent utiliser leur créativité pour expérimenter.Il y a des informations sur les adresses des algorithmes GA

Troisièmement, comment utiliser le GQNR dans la quantification

1.思路的确定

Au cœur du GQNR se trouve la volatilité du marché, à chaque point de temps actuel de la période, on peut prévoir la volatilité de la période suivante grâce au GARCH, et d'un autre côté, on peut obtenir les limites supérieures et inférieures des seuils de volatilité qui ne seront pas dépassés en grande probabilité grâce à la régression des fractions des données de prévisions de volatilité passées. Ces deux limites sont au cœur de l'ensemble.

2.运用的难点

• Prendre la forme d'un retour
• Choix des algorithmes adaptatifs
• Les paramètres appropriés pour l'apprentissage automatique
• L'incertitude du marché est aléatoire

3.解决方案

• Réduire les cycles d'apprentissage stratégique
• Réduire les risques à long terme liés aux titres d'actions.
• Augmentation de la co-vérification de la tendance à double ligne droite et de la confirmation secondaire des seuils