[Arbitrase Statistik Lindung Nilai Netral Baru] (Edisi Fantasi Alfa Murni)

Arbitrase Statistik Lindung Nilai Netral Baru

-0 Strategi Arbitrase Statistik Lindung Nilai Netral dengan Eksposur Panjang dan Pendek

Halo, rekan-rekan trader. Setelah beberapa bulan melakukan debugging, optimasi, dan iterasi, saya senang bahwa arbitrase statistik lindung nilai netral ini telah mencapai level yang relatif stabil dan dapat dirilis untuk semua orang. Ini adalah strategi netral pasar berdasarkan lindung nilai long-short. Di akun yang sama, Anda dapat melakukan long pada sekeranjang produk dan short pada sekeranjang produk, dengan nilai long dan short yang sama. Dengan premis menghindari risiko sistemik beta pasar, metode statistik digunakan untuk menemukan berbagai kombinasi pasangan panjang-pendek untuk mencapai strategi arbitrase berisiko rendah dengan keuntungan alfa yang stabil. Strategi ini memiliki pengalaman holding yang baik, korelasi yang rendah dengan pasar, eksposur long dan short yang netral, dan tidak ada risiko peristiwa black swan yang ekstrem seperti ³¹²⁄₅₁₉. Sebaliknya, strategi ini akan menjadi hit besar di saat pasar sedang salah harga dan benar-benar kacau. Luar biasa. Strategi ini akan dijelaskan secara rinci di bawah ini.

Hello~Welcome come to my channel！

Selamat datang semua trader di channel saya. Saya Zuoshoujun, seorang Quant Developer, yang mengembangkan strategi trading full-stack seperti CTA & HFT & Arbitrage. Berkat platform FMZ, saya akan berbagi lebih banyak konten terkait pengembangan kuantitatif di saluran kuantitatif saya dan bekerja dengan semua pedagang untuk menjaga kemakmuran komunitas kuantitatif.

Untuk informasi lebih lanjut, silakan kunjungi saluran saya ~ Saya menunggu Anda di sini【Pondok Kuantitatif Sang Pembuat】

1. Pengenalan dan penjelasan arbitrase statistik

Strategi arbitrase statistik adalah strategi perdagangan yang memanfaatkan hubungan harga antara berbagai keranjang komoditas. Strategi ini didasarkan pada prinsip statistik. Strategi ini menganalisis tren harga historis dan korelasi antara berbagai jenis, menemukan perbedaan harga di antara mereka, dan menggunakan perbedaan ini untuk berdagang. Secara historis, strategi arbitrase statistik telah banyak digunakan di pasar saham. Strategi arbitrase statistik paling awal terutama dilakukan antara saham, seperti antara perusahaan minyak atau perusahaan telekomunikasi. Strategi ini sering kali didasarkan pada asumsi korelasi industri, dan bertujuan mencapai arbitrase dengan membeli saham yang dinilai rendah dan menjual saham yang dinilai terlalu tinggi.

Seiring berkembangnya pasar, strategi arbitrase statistik secara bertahap meluas ke pasar keuangan lainnya, seperti komoditas berjangka, valuta asing, dan mata uang kripto. Di pasar-pasar ini, dimungkinkan untuk menemukan berbagai kombinasi keranjang yang berkorelasi dan menggunakan perbedaan harga untuk melakukan perdagangan arbitrase. Logika strategi ini didasarkan pada prinsip pengembalian rata-rata. Ketika harga beberapa kombinasi keranjang menyimpang dari rentang statistiknya, ada kecenderungan untuk mengalami regresi. Berdasarkan tren ini, seseorang dapat menjual sekeranjang produk dengan harga tinggi dan membeli sekeranjang produk dengan harga rendah ketika deviasi harga cukup besar, guna melakukan lindung nilai terhadap kesalahan harga sementara di pasar. Dengan cara ini, Anda bisa memperoleh keuntungan dari penyebaran beberapa kombinasi pasangan keranjang.

2. Keuntungan dan Kerugian Arbitrase Statistik

keuntungan:

• Mengurangi risiko pasar: Strategi arbitrase statistik didasarkan pada transaksi arbitrase antara selisih antara keranjang komoditas. Dibandingkan dengan transaksi komoditas tunggal, strategi ini mendiversifikasi risiko dan mengurangi dampak fluktuasi pasar pada strategi. Mengurangi risiko sistemik pasar.
• Pengembalian yang stabil: Strategi arbitrase statistik melakukan transaksi arbitrase regresi berdasarkan kesalahan harga pasar jangka pendek dan memiliki karakteristik pengembalian yang lebih stabil dibandingkan dengan strategi terarah. Dibandingkan dengan strategi terarah, strategi ini menghasilkan risiko lebih rendah, volatilitas lebih rendah, dan pengembalian lebih stabil.
• Dapat beradaptasi dengan lingkungan pasar yang berbeda: Strategi arbitrase statistik dapat beroperasi di lingkungan pasar yang berbeda karena strategi perdagangan ini tidak terlalu bergantung pada arah pasar.

kekurangan:

• Data historis hanya dapat mencerminkan hubungan masa lalu dan tidak dapat sepenuhnya mewakili masa depan, jadi ada risiko tertentu. Konstruksi strategi arbitrase statistik akan menggunakan sejumlah besar uji statistik, dan melakukan penambangan kombinasi dan korelasi produk keranjang berdasarkan big data historis. Strategi ini dapat berubah di masa mendatang dan memiliki risiko tertentu.
• Rentang waktu yang dibutuhkan untuk mengembalikan pasar ke keseimbangan dengan kesalahan dan ketidakseimbangan harga jangka pendek sulit untuk dinilai secara akurat. Jika waktu transaksi terlalu lama, biaya penggunaan dana juga akan sangat tinggi.
• Kemampuan analisis data dan pembuatan model yang sangat menuntut: Strategi arbitrase statistik memerlukan analisis dan pemodelan data statistik yang mendalam seperti korelasi dan kointegrasi antara berbagai kombinasi keranjang, yang memerlukan kemampuan analisis data dan pembuatan model yang tinggi.
• Eksekusi transaksi dan risiko likuiditas: Karena ini adalah transaksi lindung nilai multi-produk, harga eksekusi dan volume perdagangan dapat dipengaruhi oleh produk yang berbeda, dan terdapat risiko eksekusi transaksi. Diperlukan desain strategi dan implementasi arsitektur yang lebih canggih.

3. Konten utama dari arbitrase statistik Alpha ini

1. Memantau semua data produk secara real time, melakukan pemindaian data besar, dan membangun kombinasi keranjang produk panjang dan pendek.

Secara spesifik akan dibuat sebuah keranjang kombinasi berpasangan: misalnya ada 6 varietas A, B, C, D, E, dan F, maka masing-masing dapat dibagi menjadi 2 kelompok, dengan 3 varietas di setiap kelompoknya, untuk membuat sebuah keranjang. kombinasi. Pada saat yang sama, arbitrase indeks akan dibangun: beberapa industri dan sektor akan dibagi menjadi dua, dua indeks pasar baru akan dibangun, dan kemudian analisis data statistik akan dilakukan pada kedua indeks ini.

2. Periksa korelasi antara kombinasi keranjang panjang dan pendek.

Korelasi merujuk pada derajat hubungan antara dua variabel atau lebih. Digunakan untuk mengukur hubungan antara perubahan satu variabel dengan perubahan variabel lain, yang membantu menentukan ada tidaknya hubungan yang sesuai atau memprediksi dampak perubahan satu variabel terhadap variabel lain. Koefisien korelasi merupakan metode umum untuk mengukur korelasi. Yang umum termasuk koefisien korelasi Pearson dan koefisien korelasi peringkat Spearman. Koefisien korelasi Pearson digunakan untuk mengevaluasi hubungan antara dua variabel kontinu, sedangkan koefisien korelasi peringkat Spearman digunakan untuk mengevaluasi hubungan antara dua variabel ordinal. Rentang koefisien korelasi adalah[-1, 1], di mana -1 menunjukkan korelasi negatif, 1 menunjukkan korelasi positif, dan 0 menunjukkan tidak ada korelasi. Makin dekat koefisien korelasi ke -1 atau 1, makin kuat korelasinya; makin dekat ke 0, makin lemah korelasinya. Rumus matematika untuk koefisien korelasi adalah sebagai berikut (mengambil contoh koefisien korelasi Pearson):

r = cov(X, Y) / (std(X) * std(Y))。

Di antara semuanya, r ialah koefisien korelasi, cov ialah kovariansi, std ialah deviasi standar, dan X serta Y masing-masing mewakili dua variabel. Saat menguji korelasi, pendekatan umum adalah menghitung signifikansi statistik dari koefisien korelasi. Pengujian hipotesis biasanya dapat digunakan untuk menentukan apakah koefisien korelasi signifikan. Hipotesis nol dari uji hipotesis adalah tidak adanya korelasi antara variabel. Statistik koefisien korelasi dihitung untuk menentukan apakah hipotesis nol ditolak.

3. Uji kointegrasi portofolio keranjang panjang-pendek.

Kointegrasi merujuk pada hubungan jangka panjang antara dua atau lebih variabel deret waktu, yaitu kombinasi liniernya stabil. Dibandingkan dengan korelasi, kointegrasi lebih memperhatikan hubungan keseimbangan jangka panjang daripada sekadar korelasi jangka pendek. Ketika mereka menyimpang dari hubungan keseimbangan ini, ada mekanisme koreksi untuk mengembalikan penyimpangan tersebut ke kisaran yang wajar. Konsep kointegrasi pertama kali diusulkan oleh Spiegelman (S.G.Engle) dan Granger (C.W.J.Granger) pada tahun 1987 untuk memecahkan masalah regresi palsu dalam analisis deret waktu. Masalah regresi palsu disebabkan oleh kemungkinan adanya akar unit di antara variabel. Akar unit membuat hubungan regresi antara variabel tampak signifikan dalam jangka pendek, tetapi tidak ada hubungan ekuilibrium nyata dalam jangka panjang.

Teori kointegrasi dimulai dengan menganalisis non-stasioneritas deret waktu dan mengeksplorasi hubungan keseimbangan jangka panjang yang tersirat oleh variabel non-stasioner. Apabila variabel-variabel yang terlibat stasioner setelah perbedaan orde pertama, dan beberapa kombinasi linear dari variabel-variabel tersebut stasioner, maka terdapat kointegrasi antara variabel-variabel tersebut. Kointegrasi digunakan untuk mengkarakterisasikan hubungan stasioner antara dua atau lebih seri. Setiap deret mungkin bersifat non-stasioner secara individual, dan momen-momen deret ini, seperti nilai rata-rata, varians, atau kovariansi, berubah seiring waktu, sedangkan deret kombinasi linear dari deret waktu ini mungkin memiliki sifat tidak berubah seiring waktu. Ketika dua harga aset dikointegrasi, kombinasi linearnya akan memiliki sifat pengembalian rata-rata. Rumus matematika untuk kointegrasi adalah sebagai berikut (mengambil dua variabel deret waktu sebagai contoh):

Y_t = β_0 + β_1 * X_t + ε_t

Di antara keduanya, Y_t dan X_t merupakan nilai observasi dari dua variabel deret waktu, β_1 merupakan koefisien regresi, dan ε_t merupakan suku kesalahan. Jika terdapat hubungan kointegrasi antara Y_t dan X_t, maka kombinasi linear kedua variabel tersebut akan stabil, artinya ε_t bersifat stasioner. Memenuhi distribusi normal dengan mean 0. Saat menguji kointegrasi, biasanya diperlukan uji stabilitas. Metode yang umum digunakan meliputi uji Johansen dan uji Engle-Granger. Uji Johansen didasarkan pada metode nilai eigen dan dapat langsung menguji hubungan kointegrasi antara beberapa variabel. Uji dua langkah Engle-Granger didasarkan pada metode estimasi OLS yang dimodifikasi (Ordinary Least Squares) dan cocok untuk menguji hubungan kointegrasi antara dua variabel.

4. Strategi ini akan menguji hubungan kointegrasi deret waktu untuk sejumlah besar kombinasi. Kriteria spesifiknya adalah sebagai berikut:

• Rangkaian harga waktu dari satu keranjang portofolio tunggal merupakan vektor integral tunggal orde pertama, artinya rangkaian harga waktu bersifat non-stasioner (memiliki tren yang jelas). Gunakan akar unit ADF untuk menguji stasioneritas waktu harga pada beberapa periode waktu.
• Deret selisih orde pertama (yaitu turunan) dari kombinasi keranjang individual bersifat stasioner. Uji akar unit ADF untuk seri harga waktu dua keranjang. Akar satuan ADF digunakan untuk menguji stasioneritas perbedaan orde pertama dari dua seri harga waktu keranjang.
• Kombinasi linier tertentu dari deret waktu harga kombinasi berpasangan bersifat stasioner, artinya, residual persamaan linier yang dibangun dengan kedua deret tersebut bersifat stasioner. Untuk dua sekuens dengan orde yang sama, regresi OLS dilakukan dan stasioneritas residual diuji.
• Pengujian statistik dan analisis data lebih lanjut tidak akan diulang di sini. Analisis statistik berskala besar, terperinci, dan menyeluruh akan dilakukan pada semua produk di seluruh pasar.

5. Lakukan sejumlah besar uji indeks Hurst.

Eksponen Hurst digunakan untuk mengukur memori jangka panjang suatu deret waktu untuk menentukan karakteristik pembalikan rata-rata deret tersebut. Nilai indeks Hurst berkisar antara 0 dan 1, dengan nilai mendekati 0,5 menunjukkan pergerakan acak dan nilai mendekati 1 menunjukkan tren berkelanjutan. Prinsip: Indeks Hurst memperkirakan derajat ingatan jangka panjang suatu urutan dengan menghitung hubungan antara rentang deviasi suburutan yang tumpang tindih dari urutan tersebut dan panjangnya. Rumus matematika: Salah satu metode untuk menghitung indeks Hurst adalah dengan menggunakan hubungan antara rentang deviasi dan panjang suburutan yang bertumpang tindih untuk menetapkan hubungan yang bersesuaian dari jalan acak. Eksponen Hurst dapat diperkirakan menggunakan kesesuaian regresi linier antara rentang dispersi dan panjang suburutan yang bertumpang tindih.

6. Estimasi waktu paruh pembalikan rata-rata.

Waktu paruh pembalikan rata-rata adalah metrik yang digunakan untuk memperkirakan waktu yang dibutuhkan suatu rangkaian harga untuk kembali ke rata-ratanya. Makin kecil waktu paruhnya, makin cepat laju pembalikan rata-ratanya. Prinsip: Waktu paruh pembalikan rata-rata diperkirakan dengan menyesuaikan model rata-rata pergerakan eksponensial konvergen (EMA). Bila penyimpangan rangkaian harga dari nilai rata-rata melampaui waktu paruh, dapat dianggap ada peluang terjadinya pembalikan nilai rata-rata. Rumus matematika: Rumus perhitungan untuk waktu paruh reversi rata-rata adalah sebagai berikut:

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

Metode verifikasi: Anda dapat menghitung EMA dari seri harga, lalu menghitung waktu paruh berdasarkan EMA.

7. Membangun strategi perdagangan berdasarkan sejumlah besar data statistik.

Sederhananya, kombinasi produk keranjang difilter berdasarkan penyortiran indeks Hurst, parameter statistik yang relevan diestimasi berdasarkan waktu paruh pengembalian rata-rata, dan kombinasi strategi perdagangan dibangun berdasarkan kointegrasi. Rincian lebih lanjut tidak akan dijelaskan. .

Asumsikan x dan y adalah deret waktu harga keranjang aset X dan keranjang Y. Hubungan kointegrasi antara keduanya dapat dinyatakan sebagai: Lny = a + blnx + c, di mana c adalah suku residual, yang stabil dan memenuhi rata-rata 0. Distribusi normal.

Setelah uji kointegrasi, terdapat hubungan kointegrasi antara harga waktu aset X dan Y, deviasi standar dari suku residual c adalah σ, dan konstanta λ dipilih sebagai nilai batas.

• Bila lny-(a+blnx) > λσ, harga keranjang Y relatif dinilai terlalu tinggi, dan harga keranjang X relatif dinilai terlalu rendah, sehingga beli keranjang X dan jual keranjang Y;
• Ketika lny-(a+blnx) < -λσ, harga keranjang X relatif dinilai terlalu tinggi, dan harga keranjang Y relatif dinilai terlalu rendah, sehingga beli keranjang Y dan jual keranjang X;
• Ketika perbedaan harga lny-(a+blnx) kembali ke kisaran tertentu, seperti [-0.5λσ, 0.5λσ], tutup posisi;

8. Beberapa karakteristik.

Versi saat ini relatif lengkap, termasuk perdagangan pasar hampir penuh yang sangat kuat, memperkirakan tren frekuensi tinggi dari tugas perdagangan dan harga pasar untuk mencapai keuntungan transaksi Maker-Taker frekuensi tinggi, dan lindung nilai ekor produk tunggal setelah probabilitas jangka panjang verifikasi keuntungan. Perlindungan, pencatatan lokal akhir dari setiap pesanan, operasi lindung nilai campuran dengan strategi lain, dll. tidak akan dijelaskan lebih lanjut.

4. Beberapa kinerja historis (statistik irisan tingkat menit, data biaya pengambil 50.000 setelah memperkirakan harga transaksi sebenarnya)

[Arbitrase Statistik Lindung Nilai Netral Baru] - Supernova

5. Menantikan kerja sama dan pertukaran, serta pembelajaran dan kemajuan bersama

[Arbitrase Statistik Lindung Nilai Netral Baru] - Supernova

Data koin pihak ketiga

Setiap strategi memiliki metodologi dan kondisi pasar yang menentukan apakah strategi tersebut cocok atau tidak. Misalnya, strategi mean reversion didasarkan pada teori-teori seperti pergerakan acak pasar, dan strategi tren momentum didasarkan pada berbagai teori keuangan perilaku serta keberadaan fluktuasi ekor gemuk di pasar. Penting untuk memahami prinsip-prinsipnya dan beradaptasi dengan fluktuasinya berdasarkan karakteristiknya. Pada saat yang sama, pengguna strategi harus memperhatikan fakta bahwa keuntungan dan kerugian berasal dari sumber yang sama. Pengembalian yang lebih tinggi selalu disertai dengan risiko yang lebih tinggi. Strategi yang matang memiliki kelebihan dan kekurangannya. Strategi tersebut harus digunakan secara wajar dan memanfaatkannya kekuatan mereka dan menghindari kelemahan mereka. Mereka harus tahu benar dan salah, dan apakah mereka cocok untuk pasar. Performa yang lengkap, dengan percaya diri dan tanpa kejutan.

Kuantifikasi bukanlah mesin gerak abadi, juga bukan mahakuasa, tetapi harus menjadi arah perdagangan masa depan dan layak dipelajari dan digunakan oleh setiap pedagang! Semua pedagang dipersilakan untuk menunjukkan kekurangan, berdiskusi bersama, belajar dan berkembang bersama, menunggangi ombak di pasar yang bergejolak, dan terus maju.

● Strategi ini cukup unik dan sangat berbeda dari tren tradisional, grid, frekuensi tinggi, arbitrase, dll. Strategi ini memiliki kapasitas terbatas dan sebagian besar dioperasikan sendiri. Pengguna besar dan investor institusional dipersilakan untuk berkomunikasi dan belajar.

● Lebih banyak rencana kerja sama: Kami mempertahankan sikap kerja sama yang terbuka dan saling menguntungkan terhadap setiap individu dan lembaga yang membutuhkan. Kami menantikan diskusi dan kerja sama yang disesuaikan berdasarkan kebutuhan, preferensi risiko, dll.

Jika Anda memiliki selera risiko yang lebih tinggi, lebih menyukai keuntungan dan kerugian jangka pendek, dan memiliki kebutuhan untuk perdagangan jangka pendek, Anda dapat memeriksa strategi frekuensi tinggi stabil lainnya dengan pengembalian bulanan sebesar 3% -50% dan tanpa risiko likuidasi: Jaringan pembuat pasar lindung nilai frekuensi tinggi Baru

Jika Anda memiliki dana yang besar, Anda dapat melihat sistem perdagangan CTA gabungan berkapasitas besar, frekuensi sedang, dan rendah lainnya, yang telah melakukan perdagangan nyata selama 1.000 hari tanpa hambatan apa pun. Ini adalah sistem kombinasi strategi CTA dengan waktu penerbitan terlama, stabilitas tinggi, dan universalitas kuat, untuk mencapai pertumbuhan stabil jangka menengah dan panjang: 【Sistem Perdagangan CTA Gabungan Baru】(Edisi Publik Multi-faktor + Multi-variasi + Multi-strategi)

✱ Informasi kontak (selamat berdiskusi dan belajar bersama) WECHAT: haiyanyydss Telegram: https://t.me/JadeRabbitcm Informasi lebih bermanfaat ➔ Quantitative House of the Trader https://www.fmz.com/market-offer/512 ✱Fully automatic CTA & HFT & Arbitrage trading system @2018 - 2024