저작권 선언: 이 문서의 코드를 복제하려면 출처를 표시하십시오. 상업적 용도, 논문 작성을위한 경우 개인 편지 또는 작성자 연락처: 940648114@qq.com

첫 번째:

양적 거래의 장점

양적 거래는 첨단 수학 모델을 대체하여 주관적인 판단을 하는 것을 의미하며, 컴퓨터 기술을 활용하여 거대한 역사적 데이터에서 엄청난 수익을 가져올 수 있는 여러 가지?? 은 확률?? 이 발생하여 전략을 세우는 것을 의미하며, 투자자의 감정의 변동의 영향을 크게 줄이고, 시장이 극도로 열광하거나 비관적인 상황에서 비합리적인 투자 결정을 내리는 것을 피한다. 디지털 화폐의 24*7 시간 거래 시장의 연속성, 그리고 정량화 거래가 높은 빈도 거래 효과를 얻을 수 있기 때문에, 디지털 화폐 시장에서 시작하는 것은 분명히 정량화를 위한 좋은 출발점이다. 현재 디지털 화폐 시장은 아직 미성숙하다. 플랫폼 거래 시스템의 지저분, k-선 플러그는 여전히 가끔씩 등장할 수 있으며, 정량화 거래에 대한 위험도 존재한다. 그러나 디지털 화폐에 대한 전체적인 정량화 거래는 여전히 단점보다 더 큰 장점을 가지고 있다. 왜냐하면 모델의 리테스트 훈련과 시간 계열의 리테스트 분석을 통해 우리는 가장 짧은 시간에 수백 개의 모델 중에서 가장 적합한 방법을 시도할 수 있기 때문이다.

두 번째, GQNR 모델 소개

이 모델은 Garch 모델에 기반하여 변동률을 예측하는 VaR값을 분자 회귀로 예측하고 비선형 회귀를 이용한 GA와 같은 모형을 사용하여 향후 다음 주기의 상위 VaR와 하위 VaR을 예측합니다.

1.Garch模块

이 부분에서는 전략 Garch의 핵심 추론에 대해 자세히 설명합니다. 이 방법은 금융 시장에서 어느 정도 보편화되어 있으며 디지털 통화에서 어느 정도의 예측 효과를 얻을 수 있습니다.

1.1 Garch 정의

ARCH 모델의 본질은 잔치 제곱의 연속을 이용한 q계 이동 평행성을 사용해서 현재의 이차 함수 값을 맞추는 것이다. 이동 평균 모델은 자기 관련 계수들의 q계 끝을 가지고 있기 때문에, ARCH 모델은 사실상 소름차수들의 짧은 자기 관련 계수들에만 적용된다. 그러나 실제로는 일부 잔류열의 이차 함수들이 장기적 자기관계성을 가지고 있으며, 이차 함수를 ARCH 모델에 맞추는 경우 높은 이동 평균 계수를 생성하여 매개 변수 추정의 난이도를 높이고 궁극적으로 ARCH 모델의 합격 정밀도에 영향을 미칩니다. 문제를 수정하기 위해, 거시적인 자기 회귀 조건 이차 모형이 제시되었으며, 이 모형은 GARCH ((p,q) 로 약자된다. GARCH 모델은 실제로 ARCH의 기초를 이루고, 이차 함수를 고려하는 p단 자 회귀성을 증가시키는 것으로 형성되어, 장기적으로 기억할 수 있는 이차 함수를 효과적으로 결합할 수 있다. ARCH 모델은 p=0의 GARCH (p,q) 모델의 특수한 예이다.

1.2 ARCH 프로세스

정의 σn는 n-1 거래 주기의 자산의 변동율을 n 거래 주기의 변동율로 추정하고, mu는 일일 수익률이며, 가장 최근의 m 거래 주기의 수익률에 따라 편견 없는 추정치를 수행할 수 있다: $$ 시그마n^2= \frac{1}{m-1} \sum\limit{i=1}^m {({ \mu_{n-i}- \overline{\mu} }) ^2} $$ 다음과 같은 변경을 하면, 1은 μn-i를 비율로 바꾸고, 2는 m-1을 m로 바꾸고, 3은 μ=0이라고 가정하고, 이러한 변경이 결과에 큰 영향을 미치지 않으며, 위의 공식에 따라 변동률을 다음과 같이 단순화할 수 있다. $$ 시그마n^2= \frac{1}{m} \sum\limit이 식은 이 식의 값과 같습니다 $$ 즉, 각 주기의 변동률의 제곱은 1m와 같은 무게를 가지고 있으며, 현재 변동률을 추정하기 때문에, 가까운 거리의 데이터가 더 높은 무게를 부여해야 하기 때문에, 위의 공식은 다음과 같이 변경될 수 있다. $$ 시그마n^2= \sum\limit이 식은 {i=1}^m { \alpha_i\mu_{n-i} ^2} $$ αi는 제 1 거래 주기의 수익률 제곱의 계수이며, i가 작을수록 더 큰 값이 되고, 무게의 합은 1이다. 더 나아가 보급하면, 장기차차율 VL이 존재하고, 그에 대응하는 무게가 γ인 것을 가정하여, 위의 공식에 따라 얻을 수 있다.

$$ 시그마의 시작n^2= \가마 V{L}+\sum\limits_{i=1}^m { \alpha_i\mu_{n-i} ^2}\ &\ \gamma+\sum\limits_{i=1}^m{\alpha_i\mu_{n-i}^2}=1 & \end{cases} $$ 이 식은 이 식의 수와 같습니다. $$ 시그마n^2= \omega+\sum\limit이 식은 이 식의 값과 같습니다 $$ 위의 식을 통해 우리는 일반적인 ARCH ((1) 과정을 얻을 수 있습니다. $$ 시그마n^2= \omega+{ \alpha\mu{n-1} ^2}, $$

1.3GARCH 프로세스

GARCH ((p,q) 모델은 ARCH§과 EWMA ((q) 모델의 결합으로, 변동률은 전 p기 수익뿐만 아니라 전 q기에도 관련이 있다는 것을 의미하며 다음과 같이 표현됩니다. $$ 시그마n^2= \omega+\sum\limit{i=1}^m { \alpha_i\mu_{n-i} ^2}+\sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2}, $$ 위의 공식에 따라 우리는 일반적인 GARCH ((1,1) 를 얻을 수 있습니다: $$ \begin{cases}\sigman^2= \omega+{ \alpha\mu{n-1} ^2+\beta\sigma_{n-1}^2} \&\ \qquad\alpha+\beta+\gamma=1 & \end{cases}, $$

2개의 QR 모듈

이 섹터는 기본 분포 회귀를 설명하고 전략적 분포의 중요성을 설명합니다.

2.1 QR 정의

분모 회귀는 회귀 변수 X와 해석 변수 Y의 분모 사이의 선형 관계를 추정하는 모델링 방법이다. 이전 회귀 모델은 실제로 설명되는 변수의 연구 조건의 기대이다. 그리고 또한 변수가 설명되는 변수 분포의 중위, 분자와 어떤 관계를 갖는지를 설명하는 데 관심이 있다. 그것은 1978년 코엔커와 바셋 (Koenker and Bassett) 에 의해 처음 제안되었다. OLS 회귀 추정치의 계산은 최소화 잔치 제곱에 기초한다. 분자 회귀 추정치의 계산은 또한 비대칭 형태의 절대값 잔치 최소화 (absolute value residual minimisation) 에 기초한다.

2.2 OLS에서 QR로

일반적인 회귀 방법은 최소 제곱, 즉 최소 오류의 제곱의 합입니다. $$ 미네 \sum{({y_i- \widehat{y}i의 제곱 $$ 분수의 목표는 위의 공식에 기초하여 중량된 오류의 절대값을 최소화하는 것입니다. $$ \mathop{\arg\min\beta}\ \sum{[{\tau(y_i-X_i\beta) ^++(1-\tau) }(X_i\beta-y_i) ^+ }]} $$

2.2 QR 시각화

모든 표본이 회귀선이 다른 공간으로 나뉘는 것을 볼 수 있습니다. 그리고 회귀선이 분포선이 됩니다.

3.GARCH-QR로 돌아갑니다.

우리는 자연스럽게 시장의 알 수 없는 변동률 시그마와 분수 Q 또는 VaR을 통해 회귀하여 미래의 확률 조건에서 변동값을 예측할 수 있는지 여부를 생각했고, 이 분야는 이러한 방향으로 진행될 것입니다.

3.1 변동률과 VaR의 회귀 형태를 선택

이 부분에서 전략의 핵심에 대해 설명하기 위해 한 가지 형태를 잠시 소개합니다. $$ VaR=\epsilon+W^TE\E=(\zeta,\zeta^2,\zeta^3,\zeta^4) \W=(W_1,W_2,W_3,W_4) $$

3.2 목표 함수를 정의합니다

위의 정보에 기초하여, 우리는 조합을 한 후에 최종적으로 최적화 될 목표 함수를 얻을 수 있습니다: $$ \widehat{W}=\mathop{\arg\min_W}\ \sum{[{\alpha(VaR_t-W^TE_t) ^++(1-\alpha) ((W^TE_t-VaR_t) ^+ }]} $$

3.3 기계 학습을 사용하여 목표 함수의 최적화

이 단계는 선택의 여지가 더 많고, 전통적인 경사선 하락, 유전 알고리즘을 사용할 수 있으며, 독자는 자신의 창의력을 발휘하여 실험을 할 수 있습니다.GA 알고리즘에 대한

세 번째, GQNR를 양량화에서 사용하는 방법

1.思路的确定

GQNR의 핵심은 시장의 변동성이며, 각 시기의 현재 시점에서는 GARCH를 통해 다음 시기의 변동성에 대한 예측을 할 수 있으며, 다른 한편으로는 과거 데이터의 변동성에 대한 예측의 분자 회귀를 통해 큰 확률에서 초과되지 않는 변동적 한계와 낮은 경계를 얻을 수 있습니다. 그리고 이 두 국경은 전체의 핵심입니다. 한 번 상위 경계를 유발하면 큰 확률에서 단기 회전 추세가 있다고 생각할 수 있으며, 한 번 하위 경계를 유발하면 큰 확률에서 단기 상승 추세가 있다고 생각할 수 있습니다.

2.运用的难点

• 복귀의 형태
• 적응 알고리즘 선택
• 기계 학습에 적합한 매개 변수
• 시장의 불확실성

3.解决方案

• 전략 학습의 시간 주기를 줄입니다.
• 단편보증금의 장기적 위험을 줄이는 방법
• 이중 평선 동향의 공동 검증과 두 번째 약위 확인을 추가합니다.