Dalam beberapa tahun kebelakangan ini, kami telah melihat pelbagai alat untuk membantu kami mengenal pasti corak yang boleh dieksploitasi dalam harga aset.
Walaupun semua ini adalah alat moden yang hebat untuk analisis data, sebahagian besar pemodelan aset dalam industri masih menggunakan analisis siri masa statistik.
Apakah analisis siri masa?
Pertama, siri masa ditakrifkan sebagai beberapa kuantiti yang diukur secara berurutan dalam masa selama beberapa selang.
Dalam bentuknya yang paling luas, analisis siri masa adalah mengenai menyimpulkan apa yang telah berlaku kepada satu siri titik data pada masa lalu dan cuba meramalkan apa yang akan berlaku kepadanya pada masa akan datang.
Walau bagaimanapun, kita akan mengambil pendekatan statistik kuantitatif untuk siri masa, dengan mengandaikan bahawa siri masa kita adalah realisasi urutan pembolehubah rawak. iaitu, kita akan mengandaikan bahawa terdapat beberapa proses penjanaan asas untuk siri masa kita berdasarkan satu atau lebih pengedaran statistik dari mana pembolehubah ini diambil.
Analisis siri masa cuba memahami masa lalu dan meramalkan masa depan.
Urutan pembolehubah rawak seperti itu dikenali sebagai proses stokastik masa diskrit (DTSP). Dalam perdagangan kuantitatif, kami berkaitan dengan cuba menyesuaikan model statistik dengan DTSP ini untuk menyimpulkan hubungan asas antara siri atau meramalkan nilai masa depan untuk menghasilkan isyarat perdagangan.
Siri masa secara umum, termasuk yang di luar dunia kewangan, sering mengandungi ciri-ciri berikut:
- Trend - Trend adalah pergerakan arah yang konsisten dalam siri masa. Trend ini akan menjadi deterministik atau stokastik. Yang pertama membolehkan kita memberikan alasan asas untuk trend, sementara yang terakhir adalah ciri rawak siri yang kita tidak mungkin menerangkan. Trend sering muncul dalam siri kewangan, terutamanya harga komoditi, dan banyak dana Penasihat Dagangan Komoditi (CTA) menggunakan model pengenalan trend yang canggih dalam algoritma dagangan mereka.
- Variasi Musim - Banyak siri masa mengandungi variasi musim. Ini terutama berlaku dalam siri yang mewakili jualan perniagaan atau tahap iklim. Dalam kewangan kuantitatif kita sering melihat variasi musim dalam komoditi, terutamanya yang berkaitan dengan musim tumbuh atau variasi suhu tahunan (seperti gas asli).
- Kebergantungan Siri - Salah satu ciri yang paling penting dari siri masa, terutamanya siri kewangan, adalah korelasi siri. Ini berlaku apabila pemerhatian siri masa yang dekat satu sama lain dalam masa cenderung berkorelasi. Kluster volatiliti adalah salah satu aspek korelasi siri yang sangat penting dalam perdagangan kuantitatif.
Bagaimana Kita Boleh Menggunakan Analisis Siri Masa dalam Kewangan Kuantitatif?
Matlamat kami sebagai penyelidik kuantitatif adalah untuk mengenal pasti trend, variasi bermusim dan korelasi menggunakan kaedah siri masa statistik, dan akhirnya menjana isyarat perdagangan atau penapis berdasarkan kesimpulan atau ramalan.
Pendekatan kami adalah untuk:
- Ramalan dan Ramalan Nilai Masa Depan - Untuk berdagang dengan berjaya, kita perlu meramalkan harga aset masa depan dengan tepat, sekurang-kurangnya dalam pengertian statistik.
- Siri Simulasi - Setelah kita mengenal pasti sifat statistik siri masa kewangan, kita boleh menggunakannya untuk menghasilkan simulasi senario masa depan. Ini membolehkan kita menganggarkan bilangan dagangan, kos dagangan yang dijangkakan, profil pulangan yang dijangkakan, pelaburan teknikal dan kewangan yang diperlukan dalam infrastruktur, dan akhirnya profil risiko dan keuntungan strategi atau portfolio tertentu.
- Mengenal pasti hubungan - Penentuan hubungan antara siri masa dan nilai kuantitatif lain membolehkan kita meningkatkan isyarat dagangan kita melalui mekanisme penapisan. Sebagai contoh, jika kita dapat menyimpulkan bagaimana spread dalam pasangan mata wang asing berbeza dengan jumlah tawaran / permintaan, maka kita boleh menapis sebarang perdagangan prospektif yang mungkin berlaku dalam tempoh di mana kita meramalkan spread yang luas untuk mengurangkan kos transaksi.
Di samping itu, kita boleh menggunakan ujian statistik standard (klasik / frekuensi atau Bayesian) kepada model siri masa kami untuk membenarkan tingkah laku tertentu, seperti perubahan rejim di pasaran ekuiti.
Perisian Analisis Siri Masa
Setakat ini, kami telah menggunakan hampir secara eksklusif C ++ dan Python untuk pelaksanaan strategi perdagangan kami. Kedua-dua bahasa ini adalah persekitaran kelas pertama untuk menulis keseluruhan timbunan perdagangan. Kedua-duanya mengandungi banyak perpustakaan dan membolehkan pembinaan sistem perdagangan hujung ke hujung semata-mata dalam bahasa itu.
Malangnya, C ++ dan Python tidak mempunyai perpustakaan statistik yang luas. Ini adalah salah satu kelemahan mereka. Atas sebab ini, kita akan menggunakan persekitaran statistik R sebagai cara untuk menjalankan penyelidikan siri masa. R sangat sesuai untuk pekerjaan ini kerana ketersediaan perpustakaan siri masa, kaedah statistik dan keupayaan plot yang mudah.
Kami akan belajar R dalam cara penyelesaian masalah, di mana arahan baru dan sintaks akan diperkenalkan seperti yang diperlukan.
Peta Jalan Analisis Siri Masa QuantStart
Artikel sebelum ini mengenai topik pembelajaran statistik, ekonometri dan analisis Bayesian, kebanyakannya bersifat pengenalan dan tidak mempertimbangkan aplikasi teknik sedemikian untuk maklumat harga frekuensi tinggi moden.
Untuk menerapkan beberapa teknik di atas kepada data frekuensi yang lebih tinggi, kita memerlukan kerangka matematik untuk menyatukan penyelidikan kita. analisis siri masa menyediakan penyatuan sedemikian dan membolehkan kita membincangkan model berasingan dalam persekitaran statistik.
Akhirnya kita akan menggunakan alat Bayesian dan teknik pembelajaran mesin bersama-sama dengan kaedah berikut untuk meramalkan tahap harga dan arah, bertindak sebagai penapis dan menentukan perubahan rejim, iaitu menentukan apabila siri masa kita telah mengubah tingkah laku statistik asas mereka.
Peta jalan siri masa kami adalah seperti berikut. Setiap topik di bawah ini akan membentuk artikel atau kumpulan artikelnya sendiri. Setelah kita memeriksa kaedah ini secara mendalam, kita akan dapat membuat beberapa model moden yang canggih untuk memeriksa data frekuensi tinggi.
- Pengenalan Siri Masa - Artikel ini menggariskan bidang analisis siri masa, skopnya dan bagaimana ia boleh digunakan untuk data kewangan.
- Korrelasi - Satu aspek yang sangat asas dalam pemodelan siri masa adalah konsep korelasi siri. Kami akan mendefinisikannya dan menerangkan salah satu perangkap terbesar analisis siri masa, iaitu bahawa korrelasi tidak menyiratkan sebab.
- Ramalan - Dalam bahagian ini kita akan mempertimbangkan konsep ramalan, iaitu membuat ramalan arah masa depan atau tahap untuk siri masa tertentu, dan bagaimana ia dijalankan dalam amalan.
- Model Stochastic - Kami telah menghabiskan beberapa masa mempertimbangkan model stochastic dalam bidang harga opsyen di laman web ini, iaitu dengan Gerak Brownian Geometri dan Volatiliti Stochastic.
- Regresi - Apabila kita mempunyai trend deterministik (berbeza dengan stokastik) dalam data, kita boleh membenarkan ekstrapolasi mereka menggunakan model regresi.
- Model stasioner - Model stasioner menganggap bahawa sifat statistik (iaitu purata dan varians) siri adalah tetap dalam masa.
- Model bukan stasionari - Banyak siri masa kewangan tidak stasionari, iaitu mereka mempunyai purata dan varians yang berbeza. Khususnya, harga aset sering mempunyai tempoh turun naik yang tinggi. Untuk siri ini kita perlu menggunakan model bukan stasionari seperti ARIMA, ARCH dan GARCH.
- Pemodelan Multivariat - Kami telah mempertimbangkan model multivariat pada QuantStart pada masa lalu, iaitu ketika kami mempertimbangkan pasangan ekuiti yang membalikkan purata.
- Model Ruang Negeri - Pemodelan Ruang Negeri meminjam sejarah panjang teori kawalan moden yang digunakan dalam kejuruteraan untuk membolehkan kita memodelkan siri masa dengan parameter yang berubah dengan cepat (seperti pembolehubah cerun β antara dua aset yang disatukan dalam regresi linear).