왜 전통적인 기술 분석이 복잡한 시장에서 실패하는가?

양적 거래 분야에서 우리는 종종 이런 혼란을 겪습니다. 왜 간단한 이동 평균 또는 RSI에 기반한 전략이 특정 시장 환경에서 우수한 성과를 거두지만 다른 기간에는 자주 실패합니까? 그 대답은 금융 시간 순서의 복잡성에 있습니다. 그들은 자기 연관성이있을뿐만 아니라 시간에 따라 변동하는 변동률 특성이 있습니다.

오늘 분석하는 이 전략은 AR(2) 자기 회귀 모델과 GARCH(1,1) 조건부 차차 모델을 교묘하게 결합하여 이 문제를 통계학적인 관점에서 해결하려고 시도한다. 이것은 단순한 기술적 지표의 중첩이 아니라 금융 시퀀스의 본질적인 특성에 대한 깊은 탐구이다.

AR2) 모델은 가격의 기억 효과를 어떻게 포착하는가?

전략의 핵심은 AR(2) 자기 회귀 모델의 적용에 있다. 자기 회귀란 무엇인가? 간단히 말해서, 과거의 자기를 사용하여 미래의 자기를 예측하는 것이다. AR(2) 모델은 현재의 수익률을 앞 두 번의 수익률으로 선형적으로 나타낼 수 있다고 가정한다:

            
            
            
r_t = φ₁ × r_{t-1} + φ₂ × r_{t-2} + ε_t

코드에서 유레-워커 방정식을 통해 계수 φ1과 φ2를 풀기:

            pinescript
            
            
c0 = calcAutoCovariance(returns, 0, lengthReg) // 滞后0期自协方差
c1 = calcAutoCovariance(returns, 1, lengthReg) // 滞后1期自协方差  
c2 = calcAutoCovariance(returns, 2, lengthReg) // 滞后2期自协方差
phi1 = (c1 * c0 - c2 * c1) / denominator // 第一个自回归系数
phi2 = (c2 * c0 - c1 * c1) / denominator // 第二个自回归系数

이 방법의 장점은 주관적인 판단에 의존하지 않고, 데이터 자체로 "말하게"하고, 가격 순서에 내재된 규칙성을 발견하는 것입니다.

왜 GARCH 모델이 시장의 위험을 더 잘 나타낼 수 있을까요?

AR 모델만으로는 충분하지 않습니다. 왜냐하면 금융 시장의 변동률은 일정하지 않기 때문입니다. 우리는 모두 '변동률 집합' 현상이 큰 변동과 함께 큰 변동과 함께 큰 변동이있는 것을 알고 있습니다. 평온은 더 오래 지속됩니다.

GARCH(1,1) 모델은 바로 이런 특징을 묘사하기 위한 것입니다:

            
            
            
σ²_t = ω + α × ε²_{t-1} + β × σ²_{t-1}

코드의 구현 논리는 이것을 명확하게 나타냅니다:

            pinescript
            
            
omega = (1 - adjustedAlpha - adjustedBeta) * longTermVar
garchVariance := omega + adjustedAlpha * math.pow(arResidual[1], 2) + adjustedBeta * garchVariance[1]

여기서 중요한 통찰력은: 현재의 조건부 차이는 전기의 잔여차량 제곱 ((단기 충격) 에 의존하는 것뿐만 아니라 전기의 조건부 차이는 ((장기 지속성)) 에 의존한다. 변수 α는 단기 충격의 영향을 제어하고, β는 변동률의 지속성을 제어한다.

이 전략의 거래 논리는 어떻게 위험과 이익의 균형을 이룰 수 있을까요?

AR 예측과 GARCH 변동률 추정으로, 전략은 동적인 신뢰 간격을 구성한다:

            pinescript
            
            
upperReturnBand = arReturnPredict + stdevFactor * garchStd
lowerReturnBand = arReturnPredict - stdevFactor * garchStd

거래 신호의 생성 논리는 평균값 회귀의 생각을 반영한다:

• 가격이 하락할 때 더 많은 것을 할 수 있습니다
• 가격이 상반도를 돌파할 때 공백을 둡니다.

이 디자인의 교묘함은: 신뢰 영역의 폭은 시장의 변동률에 따라 동적으로 조정됩니다. 높은 변동 기간 동안, 영역은 넓어지고 거래 빈도가 감소합니다. 낮은 변동 기간 동안, 영역은 좁아지고 거래 기회가 증가합니다.

실제 적용에서 주의해야 할 중요한 문제들은 무엇입니까?

1. 모델 안정성 검사
코드는 중요한 안정성 검사를 포함합니다:

            pinescript
            
            
if stabilityCheck >= 0.99 or math.abs(phi2) >= 0.99
    scaleFactor = 0.95 / math.max(stabilityCheck, math.abs(phi2) + 0.01)

이것은 AR 모델의 평형성을 보장하고 산란한 예측 결과를 방지한다.

2. 매개 변수 수렴성 제한
GARCH 모형은 α + β < 1을 요구하여 장기 차이의 존재를 보장한다:

            pinescript
            
            
if sumParam >= 0.999
    scale = 0.99 / sumParam

3. 필터링 장치의 필요성
전략은 RSI 필터링 옵션을 제공하며 실제 응용에서 중요합니다. 순수 통계 모델은 시장의 추세적 특성을 무시 할 수 있으며, 기술 지표의 추가는 추가 확인 신호를 제공 할 수 있습니다.

전략의 한계와 개선방향

이 전략은 이론적으로는 우아하지만, 실제 적용에서는 다음과 같은 문제들을 고려해야 합니다.

데이터 주파수 선택:AR-GARCH 모델은 다른 주기 아래의 성능에 큰 차이가 있다. 높은 주파수 데이터는 더 많은 정보를 제공하지만 더 많은 소음을 도입한다.

매개 변수의 시간 변동성: 현재 구현 가정 AR 및 GARCH 매개 변수는 추정 창 내에서 일정하지만 실제 시장 구조는 변경될 수 있다.

거래 비용의 영향통계적 중매 전략은 일반적으로 높은 거래 횟수를 요구하며, 수수료와 슬라이드 포인트 비용은 무시할 수 없습니다.

결론: 통계 모델링의 가치와 양적 거래

이 AR-GARCH 전략은 금융 모델링에서 현대 통계학의 강력한 힘을 보여준다. 그것은 단순한 기술 지표 집합이 아니라 금융 시간 연속 통계 특성을 깊이 파고들었다.

양자 거래자들에게 이러한 전략들을 이해하는 가치는 직접적으로 적용하는 것 뿐만 아니라, 통계적 사고를 통해 시장을 분석하는 능력을 키우는 데 있습니다. AI와 기계 학습이 널리 퍼져있는 오늘날에도 이러한 고전적인 통계적 모델은 우리가 시장을 이해하고 전략을 세우는 데 중요한 기둥입니다.