कॉपीराइट घोषणाः यदि आप इस लेख के कोड को दोहराना चाहते हैं, तो कृपया इसकी उत्पत्ति का उल्लेख करें, यदि यह व्यावसायिक उपयोग के लिए है, तो निजी ईमेल या लेखक से संपर्क करें 940648114@gmail.comqq.com

पहला, प्रस्तावना

मात्रा में लेनदेन के फायदे

क्वांटिफाइड ट्रेडिंग का अर्थ है कि उन्नत गणितीय मॉडल के विकल्प के रूप में व्यक्तिपरक निर्णय लेना, कंप्यूटर तकनीक का उपयोग करना जो विशाल ऐतिहासिक डेटा से अत्यधिक लाभ के लिए बहु-प्रभावी घटनाओं का चयन करता है, जिससे निवेशकों की भावना में उतार-चढ़ाव का प्रभाव बहुत कम हो जाता है और बाजार में अत्यधिक उन्माद या निराशा की स्थिति में तर्कहीन निवेश निर्णय लेने से बचा जाता है। डिजिटल मुद्रा बाजार से शुरू करना निश्चित रूप से एक अच्छी शुरुआत है, क्योंकि डिजिटल मुद्रा के लिए 24/7 ट्रेडिंग बाजार की निरंतरता और क्वांटिफाइड लेनदेन उच्च आवृत्ति वाले लेनदेन के प्रभाव को प्राप्त कर सकता है। वर्तमान में, डिजिटल मुद्रा बाजार अभी भी अपरिपक्व है। प्लेटफॉर्म ट्रेडिंग सिस्टम के झटके, के-लाइन प्लग अभी भी कभी-कभी दिखाई देते हैं, और क्वांटिफाइड ट्रेडिंग के लिए जोखिम भी है। लेकिन कुल मिलाकर, क्वांटिफाइड ट्रेडिंग के लिए कुल मिलाकर नुकसान से अधिक फायदे हैं। क्योंकि मॉडल के रीटेस्ट प्रशिक्षण और समय अनुक्रम के रीटेस्ट विश्लेषण के माध्यम से, हम सबसे कम समय में सैकड़ों मॉडल के बीच सबसे उपयुक्त तरीके का प्रयास कर सकते हैं।

2. जीक्यूएनआर मॉडल का परिचय

यह मॉडल गार्च मॉडल पर आधारित है, जो कि विभक्तिक परावर्तन के माध्यम से पूर्वानुमानित उतार-चढ़ाव के VaR मानों का उपयोग करता है, और गैर-रैखिक परावर्तन का उपयोग करता है, जैसे कि GA को भविष्य के अगले चक्र में ऊपरी सीमा VaR और निचली सीमा VaR का अनुमान लगाने के लिए अनुकूलित किया जाता है। इस पद्धति का मॉडल संदर्भ में GQNR के रूप में संक्षिप्त है।

1.Garch模块

इस खंड में रणनीतिक गार्च के मूल के बारे में विस्तार से बताया जाएगा, जो वित्तीय बाजारों में एक निश्चित व्यापकता के साथ है और डिजिटल मुद्राओं पर एक निश्चित पूर्वानुमान प्रभाव तक पहुंच सकता है।

1.1 गार्च परिभाषा

एआरसीएच मॉडल का सार यह है कि अवशिष्ट वर्गों के क्रम का उपयोग करके q-वर्ग के गतिशील स्थिरांक को समकालीन भिन्नता फ़ंक्शन के मानों के लिए फिट किया जाता है। चूंकि गतिशील औसत मॉडल में स्व-संबंधित गुणांक के q-वर्ग का समापन होता है, इसलिए एआरसीएच मॉडल वास्तव में केवल स्व-संबंधित लघु-संबंधित गुणांकों के लिए उपयुक्त है। लेकिन व्यवहार में, कुछ अवशिष्ट अनुक्रमों के लिए विभेदक फ़ंक्शन दीर्घकालिक आत्मीय होते हैं, और जब एआरसीएच मॉडल के साथ विभेदक फ़ंक्शनों का उपयोग किया जाता है, तो बहुत अधिक चलती औसत चरणों का उत्पादन होता है, जिससे पैरामीटर अनुमान की कठिनाई बढ़ जाती है और अंततः एआरसीएच मॉडल की फिटनेस सटीकता प्रभावित होती है। एक समस्या को ठीक करने के लिए, एक व्यापक स्व-संदर्भित भिन्नता मॉडल प्रस्तुत किया गया है, जिसका संक्षिप्त नाम GARCH ((p, q) है। GARCH मॉडल वास्तव में ARCH के आधार पर है, जो कि दीर्घकालिक स्मृति के साथ एक अलग-अलग फ़ंक्शन के साथ प्रभावी रूप से फिट करने के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-अलग फ़ंक्शन के लिए एक अलग-

1.2 ARCH प्रक्रिया

परिभाषा σn n - 1 लेनदेन चक्र में संपत्ति के लिए अनुमानित उतार-चढ़ाव की दर n लेनदेन चक्र में है, और mu दैनिक लाभ है, तो यह हाल के m लेनदेन चक्रों के लिए लाभ के आधार पर निष्पक्ष अनुमानित किया जा सकता हैः $$ सिग्माn ^ 2= \frac{1}{m-1} \sum\ सीमाओं{i=1}^m {({ \mu_{n-i}- \overline{\mu} }) ^2}, $$ निम्नलिखित परिवर्तन 1 में μn-i को प्रतिशत लाभ में बदल दिया जाता है; 2 में m-1 को m में बदल दिया जाता है; 3 में μ=0 माना जाता है, और इन परिवर्तनों का परिणामों पर बहुत कम प्रभाव पड़ता है। ऊपर दिए गए सूत्र के अनुसार, उतार-चढ़ाव दर को सरल किया जा सकता हैः $$ सिग्माn^2= \frac{1}{m} \sum\limit{i=1}^m { \mu_{n-i} ^2}, $$ यानी प्रत्येक चक्र की उतार-चढ़ाव दर के वर्ग का बराबर भार 1/m होता है, क्योंकि वर्तमान उतार-चढ़ाव दर का अनुमान लगाने के लिए, निकटतम दूरी के डेटा को अधिक भार देना चाहिए, इसलिए उपरोक्त सूत्र को बदल दिया जा सकता हैः $$ सिग्माn^2= \sum\ सीमाएं{i=1}^m { \alpha_i\mu_{n-i} ^2}, $$ αi व्यापार चक्र i के लिए आय के वर्ग का गुणक है, जिसका मान सही है और i जितना छोटा होगा उतना बड़ा होगा, वजन का योग 1 होगा; आगे प्रचारित, यह मानकर कि एक दीर्घकालिक भिन्नता VL है, और इसके लिए भार γ है, उपरोक्त सूत्र के अनुसार प्राप्त किया जा सकता हैः

$$ सिग्माn^2= \गामा V{L}+\sum\limits_{i=1}^m { \alpha_i\mu_{n-i} ^2}\ &\ \gamma+\sum\limits_{i=1}^m{\alpha_i\mu_{n-i}^2}=1 & \end{cases}, $$ इस प्रकारω=γVL, सूत्र ((15) को इस प्रकार लिखा जा सकता हैः $$ सिग्माn^2= \omega+\sum\ सीमाएं{i=1}^m { \alpha_i\mu_{n-i} ^2}, $$ उपरोक्त सूत्र के आधार पर हम सामान्य ARCH ((1) प्रक्रिया प्राप्त कर सकते हैं $$ सिग्माn^2= ओमेगा+{ \alpha\mu{n-1} ^2}, $$

1.3 गार्च प्रक्रिया

GARCH ((p,q) मॉडल ARCH§ और EWMA ((q) मॉडल का एक संयोजन है, जिसका अर्थ है कि उतार-चढ़ाव न केवल पूर्व-p अवधि की कमाई से संबंधित है, बल्कि अपने स्वयं के पूर्व-q अवधि से भी संबंधित है, जिसे इस प्रकार व्यक्त किया गया हैः $$ सिग्माn^2= \omega+\sum\ सीमाएं{i=1}^m { \alpha_i\mu_{n-i} ^2} + \sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2}, $$ उपरोक्त सूत्र के अनुसार हम सामान्य GARCH ((1,1) प्राप्त कर सकते हैंः $$ \begin{cases}\sigman^2= ओमेगा+{ \alpha\mu{n-1} ^2+\beta\sigma_{n-1}^2}\&\ \qquad\alpha+\beta+\gamma=1 और \end{cases}, $$

2 क्यूआर मॉड्यूल

इस खंड में मूलभूत डिफ़ॉल्ट प्रतिगमन का वर्णन किया जाएगा और रणनीतिक डिफ़ॉल्ट के महत्व का वर्णन किया जाएगा।

2.1 क्यूआर परिभाषा

अंशगणना regression एक मॉडलिंग विधि है जो regression variable X के सेट और व्याख्या variable Y के अंशगणना के बीच एक रैखिक संबंध का अनुमान लगाती है। पूर्ववर्ती प्रतिगमन मॉडल वास्तव में व्याख्या की जाने वाली चर के अध्ययन के लिए शर्तों की अपेक्षाएं हैं; और वे यह भी समझाने के लिए चिंतित हैं कि वेरिएंट का व्याख्या की जाने वाली चर वितरण के मध्यवर्ती, अंशों के साथ क्या संबंध है। यह सबसे पहले कोएनकर और बासेट (1978) द्वारा पेश किया गया था। ओएलएस प्रतिगमन अनुमानों की गणना न्यूनतम अवशिष्ट वर्ग पर आधारित है। अंश प्रतिगमन अनुमानों की गणना भी एक असममित रूप में पूर्ण अवशिष्ट को कम करने पर आधारित है। इनमें, मध्यवर्ती प्रतिगमन का उपयोग न्यूनतम पूर्ण विचलन अनुमान (LAD, least absolute deviations estimator) द्वारा किया जाता है।

2.2 ओएलएस से क्यूआर

सामान्य regression विधि न्यूनतम द्विआधारीकरण है, यानी न्यूनतम त्रुटि के वर्गों का योगः $$ min \sum{({y_i- \widehat{y}i }) }^2 $$ और विखंडन का लक्ष्य उपरोक्त सूत्रों के आधार पर भारित होने के लिए त्रुटि के पूर्ण मान को कम करना हैः $$ \mathop{\arg\min\beta}\ \sum{[{\tau(y_i-X_i\beta) ^++(1-\tau) }(X_i\beta-y_i) ^+ }]} $$

2.2 क्यूआर विज़ुअलाइज़ेशन

आप देख सकते हैं कि सभी नमूने अलग-अलग स्थानों में regression रेखा द्वारा विभाजित हैं, और यह regression रेखा भी विभाजन रेखा बन जाती है।

3. गार्च-क्यूआर वापसी

हम स्वाभाविक रूप से सोच रहे हैं कि क्या भविष्य की संभावनाओं के तहत उतार-चढ़ाव के थ्रेशोल्ड का अनुमान लगाने के लिए बाजार के अज्ञात उतार-चढ़ाव सिग्मा और अंश Q या VaR के साथ वापसी की जा सकती है, जो इस क्षेत्र में किया जाएगा।

3.1 आवृत्ति दर और VaR के लिए वापसी का चयन करें

चूंकि यह रणनीति के मूल में शामिल है, इसलिए मैं विचार को स्पष्ट करने के लिए एक रूप का उपयोग करता हूं। $$ VaR=\epsilon+W^TE\E=(\zeta,\zeta^2,\zeta^3,\zeta^4) \W=(W_1,W_2,W_3,W_4) $$

3.2 लक्ष्य फ़ंक्शन को परिभाषित करें

उपरोक्त जानकारी के आधार पर, हम संयोजन के बाद अंतिम लक्ष्य फ़ंक्शन प्राप्त कर सकते हैं जिसे अनुकूलित किया जाना हैः $$ \widehat{W}=\mathop{\arg\min_W} \ \sum{[{\alpha(VaR_t-W^TE_t) ^++(1-\alpha) ((W^TE_t-VaR_t) ^+ }]} $$

3.3 मशीन सीखने का उपयोग करके लक्ष्य कार्यों का अनुकूलन

इस चरण में बहुत अधिक विकल्प हैं, पारंपरिक तलवों में गिरावट है, और आनुवंशिक एल्गोरिदम हैं, जो पाठकों को अपनी रचनात्मकता का प्रयोग करने के लिए अनुमति देते हैं।जीए एल्गोरिथ्म के बारे में पता है

तीसरा, जीक्यूएनआर का उपयोग मात्रा में कैसे करें

1.思路的确定

जीक्यूएनआर का मूल बाजार की अस्थिरता पर है, प्रत्येक अवधि के वर्तमान समय बिंदु पर, अगले अवधि के लिए भविष्यवाणी करने के लिए गार्च के माध्यम से भविष्यवाणी की जा सकती है, जबकि पिछले डेटा के माध्यम से भविष्यवाणी की जा रही अस्थिरता के लिए अंशगणितीय प्रतिगमन के माध्यम से, ऊपरी सीमा और निचली सीमाएं प्राप्त की जा सकती हैं, जो कि उच्च संभावना के मामले में अधिक नहीं होंगे। और ये दोनों सीमाएं, समग्र का मूल हैं। एक बार जब ऊपरी सीमा को ट्रिगर किया जाता है, तो हम उच्च संभावना के तहत एक अल्पकालिक प्रतिगमन की प्रवृत्ति को मान सकते हैं, एक बार जब निचली सीमा को ट्रिगर किया जाता है, तो हम उच्च संभावना के मामले में एक अल्पकालिक ऊपर की प्रवृत्ति को मान सकते हैं।

2.运用的难点

• वापसी का रूप
• अनुकूलन एल्गोरिदम का चयन
• मशीन सीखने के लिए उपयुक्त पैरामीटर
• बाजार की अनिश्चितता

3.解决方案

• रणनीतिक सीखने के समय चक्र को छोटा करें
• एकमुश्त निवेश के लिए दीर्घकालिक जोखिम को कम करना
• दोहरे समोच्च रुझानों का सह-प्रमाणन और द्वितीयक थ्रेसहोल्ड की पुष्टि में वृद्धि