Selama beberapa tahun terakhir kami telah melihat berbagai alat untuk membantu kami mengidentifikasi pola yang dapat dieksploitasi dalam harga aset.
Sementara ini semua alat modern yang hebat untuk analisis data, sebagian besar pemodelan aset di industri masih menggunakan analisis deret waktu statistik.
Apa itu analisis seri waktu?
Pertama, deret waktu didefinisikan sebagai suatu kuantitas yang diukur secara berurutan dalam waktu selama beberapa interval.
Dalam bentuknya yang paling luas, analisis deret waktu adalah tentang menyimpulkan apa yang telah terjadi pada serangkaian titik data di masa lalu dan mencoba memprediksi apa yang akan terjadi di masa depan.
Namun, kita akan mengambil pendekatan statistik kuantitatif untuk deret waktu, dengan mengasumsikan bahwa deret waktu kita adalah realisasi urutan variabel acak. yaitu, kita akan mengasumsikan bahwa ada beberapa proses penghasil yang mendasari untuk deret waktu kita berdasarkan satu atau lebih distribusi statistik dari mana variabel ini ditarik.
Analisis deret waktu mencoba memahami masa lalu dan memprediksi masa depan.
Urutan variabel acak semacam itu dikenal sebagai proses stokastik waktu diskrit (DTSP). Dalam perdagangan kuantitatif, kita berusaha menyesuaikan model statistik dengan DTSP ini untuk menyimpulkan hubungan mendasar antara seri atau memprediksi nilai masa depan untuk menghasilkan sinyal perdagangan.
Seri waktu secara umum, termasuk yang di luar dunia keuangan, sering mengandung fitur berikut:
- Tren - Sebuah tren adalah gerakan arah yang konsisten dalam serangkaian waktu. Tren ini akan menjadi deterministik atau stokastik. Yang pertama memungkinkan kita untuk memberikan alasan mendasar untuk tren, sementara yang terakhir adalah fitur acak dari seri yang tidak mungkin kita jelaskan. Tren sering muncul dalam seri keuangan, terutama harga komoditas, dan banyak dana Penasihat Perdagangan Komoditas (CTA) menggunakan model identifikasi tren yang canggih dalam algoritma perdagangan mereka.
- Variasi musiman - Banyak seri waktu mengandung variasi musiman. Ini terutama berlaku dalam seri yang mewakili penjualan bisnis atau tingkat iklim. Dalam keuangan kuantitatif kita sering melihat variasi musiman dalam komoditas, terutama yang terkait dengan musim tanam atau variasi suhu tahunan (seperti gas alam).
- Serial Dependence - Salah satu karakteristik paling penting dari seri waktu, terutama seri keuangan, adalah korelasi serial. Hal ini terjadi ketika pengamatan seri waktu yang dekat satu sama lain dalam waktu cenderung berkorelasi.
Bagaimana Kita Dapat Menerapkan Analisis Deret Waktu dalam Keuangan Kuantitatif?
Tujuan kami sebagai peneliti kuantitatif adalah untuk mengidentifikasi tren, variasi musiman dan korelasi menggunakan metode deret waktu statistik, dan akhirnya menghasilkan sinyal perdagangan atau filter berdasarkan kesimpulan atau prediksi.
Pendekatan kami adalah:
- Ramalan dan Prediksi Nilai Masa Depan - Untuk melakukan perdagangan yang sukses kita perlu memprediksi harga aset masa depan dengan akurat, setidaknya dalam arti statistik.
- Simulasi Seri - Setelah kita mengidentifikasi sifat statistik dari seri waktu keuangan kita dapat menggunakannya untuk menghasilkan simulasi skenario masa depan. Ini memungkinkan kita untuk memperkirakan jumlah perdagangan, biaya perdagangan yang diharapkan, profil pengembalian yang diharapkan, investasi teknis dan keuangan yang diperlukan dalam infrastruktur, dan dengan demikian pada akhirnya profil risiko dan profitabilitas strategi atau portofolio tertentu.
- Infer Relationships - Identifikasi hubungan antara seri waktu dan nilai kuantitatif lainnya memungkinkan kita untuk meningkatkan sinyal perdagangan kita melalui mekanisme filtrasi. misalnya, jika kita dapat menyimpulkan bagaimana spread dalam pasangan mata uang asing bervariasi dengan volume bid / ask, maka kita dapat menyaring setiap perdagangan prospektif yang mungkin terjadi dalam periode di mana kita memprediksi spread yang luas untuk mengurangi biaya transaksi.
Selain itu, kita dapat menerapkan tes statistik standar (klasik/frequentist atau Bayesian) untuk model deret waktu kita untuk membenarkan perilaku tertentu, seperti perubahan rezim di pasar ekuitas.
Perangkat Lunak Analisis Seri Waktu
Hingga saat ini kami hampir secara eksklusif menggunakan C ++ dan Python untuk implementasi strategi trading kami. Kedua bahasa ini adalah lingkungan kelas satu untuk menulis seluruh tumpukan trading. Keduanya mengandung banyak perpustakaan dan memungkinkan konstruksi end-to-end dari sistem trading hanya dalam bahasa itu.
Sayangnya, C ++ dan Python tidak memiliki perpustakaan statistik yang luas. Ini adalah salah satu kekurangan mereka. Untuk alasan ini kita akan menggunakan lingkungan statistik R sebagai sarana untuk melakukan penelitian deret waktu. R sangat cocok untuk pekerjaan ini karena ketersediaan perpustakaan deret waktu, metode statistik dan kemampuan plot langsung.
Kita akan belajar R dengan cara pemecahan masalah, di mana perintah baru dan sintaksis akan diperkenalkan sesuai kebutuhan.
Peta Jalan Analisis Seri Waktu QuantStart
Artikel-artikel sebelumnya tentang topik pembelajaran statistik, ekonometri dan analisis Bayesian, sebagian besar bersifat pengantar dan belum mempertimbangkan aplikasi teknik tersebut untuk informasi harga frekuensi tinggi modern.
Untuk menerapkan beberapa teknik di atas ke data frekuensi yang lebih tinggi kita membutuhkan kerangka matematika untuk menyatukan penelitian kita. analisis deret waktu memberikan penyatuan tersebut dan memungkinkan kita untuk mendiskusikan model terpisah dalam pengaturan statistik.
Pada akhirnya kita akan menggunakan alat Bayesian dan teknik pembelajaran mesin bersama dengan metode berikut untuk memprediksi tingkat harga dan arah, bertindak sebagai filter dan menentukan rezim perubahan, yaitu, menentukan kapan seri waktu kita telah mengubah perilaku statistik yang mendasarinya.
Peta jalan seri waktu kami adalah sebagai berikut. Masing-masing topik di bawah ini akan membentuk artikel atau kumpulan artikelnya sendiri. Setelah kita memeriksa metode ini secara mendalam, kita akan dapat membuat beberapa model modern yang canggih untuk memeriksa data frekuensi tinggi.
- Pendahuluan Seri Waktu - Artikel ini menguraikan bidang analisis seri waktu, ruang lingkupnya dan bagaimana hal itu dapat diterapkan pada data keuangan.
- Korélasi - Aspek yang sangat mendasar dari pemodelan deret waktu adalah konsep korelasi serial.
- Peramalan - Dalam bagian ini kita akan membahas konsep peramalan, yaitu membuat prediksi arah masa depan atau tingkat untuk seri waktu tertentu, dan bagaimana hal itu dilakukan dalam praktek.
- Model Stochastic - Kami telah menghabiskan beberapa waktu mempertimbangkan model stochastic di bidang harga opsi di situs, yaitu dengan Gerakan Brownian Geometrik dan Volatilitas Stochastic.
- Regresi - Ketika kita memiliki tren deterministik (sebagai lawan dari stokastik) dalam data kita dapat membenarkan ekstrapolasi mereka menggunakan model regresi.
- Model stasioner - Model stasioner mengasumsikan bahwa sifat statistik (yaitu rata-rata dan varians) deret adalah konstan dalam waktu.
- Non-Stasioner Model - Banyak seri waktu keuangan non-stasioner, yaitu mereka memiliki rata-rata dan varians yang bervariasi. khususnya, harga aset sering memiliki periode volatilitas tinggi. untuk seri ini kita perlu menggunakan model non-stasioner seperti ARIMA, ARCH dan GARCH.
- Multivariate Modeling - Kami telah mempertimbangkan model multivariate pada QuantStart di masa lalu, yaitu ketika kami mempertimbangkan pasangan ekuitas yang membalikkan rata-rata.
- State-Space Models - State Space Modeling meminjam sejarah panjang dari teori kontrol modern yang digunakan dalam teknik untuk memungkinkan kita untuk memodelkan deret waktu dengan parameter yang berubah dengan cepat (seperti variabel kemiringan β antara dua aset yang kointegrasi dalam regresi linier).