Perisytiharan hak cipta: Jika anda ingin menyalin kod artikel ini, sila nyatakan asal, jika anda ingin menggunakannya untuk tujuan komersial, menulis makalah, sila menghantar e-mel peribadi atau hubungi penulis di e-mel 940648114@qq.com

Pertama, kata laluan

Kelebihan Perdagangan Kuantitatif

Perdagangan kuantitatif adalah pertimbangan subjektif yang digantikan dengan model matematik canggih, menggunakan teknologi komputer untuk membuat strategi dengan pelbagai kemungkinan besar yang boleh membawa keuntungan yang luar biasa dari data sejarah yang besar, yang sangat mengurangkan kesan turun naik sentimen pelabur dan mengelakkan membuat keputusan pelaburan yang tidak rasional dalam keadaan pasaran yang sangat panik atau pesimis. Oleh kerana kesinambungan pasaran dagangan mata wang digital 24 * 7 jam tanpa henti, dan perdagangan kuantitatif dapat mencapai kesan dagangan frekuensi tinggi, mulakan dari pasaran mata wang digital jelas merupakan titik permulaan yang baik untuk melakukan pengukuran. Pada masa ini, pasaran mata wang digital masih belum matang. Penyokong sistem dagangan platform, soket k masih akan muncul sesekali, dan juga merupakan risiko untuk dagangan kuantitatif. Tetapi untuk dagangan kuantitatif untuk mata wang digital secara keseluruhan masih lebih baik daripada kerugian; kerana dengan latihan retesting model dan analisis retesting urutan masa, kita boleh mencuba cara yang paling sesuai dari ratusan model dalam masa yang singkat.

Model GQNR

Model ini adalah berdasarkan model Garch untuk meramalkan turun naik, menggunakan nilai VaR untuk meramalkan turun naik melalui regresi pecahan dan kemudian menggunakan regresi bukan linear, seperti GA untuk merangkumi untuk meramalkan VaR teratas dan VaR terendah pada kitaran akan datang yang akan datang. Dalam konteks, model kaedah ini disingkat sebagai GQNR.

1.Garch模块

Bahagian ini akan menerangkan secara terperinci mengenai penalaran strategi Garch yang mempunyai keseragaman tertentu di pasaran kewangan dan dapat mencapai kesan ramalan tertentu pada mata wang digital.

1.1 Definisi Garch

Model ARCH pada hakikatnya adalah menggunakan siri kuadrat residu untuk menyesuaikan perpindahan perpindahan peringkat q dengan nilai fungsi pembezaan masa semasa. Oleh kerana model purata bergerak mempunyai kesimpulan peringkat q dari faktor-faktor yang berkaitan, model ARCH sebenarnya hanya digunakan untuk faktor-faktor yang berkaitan pendek dari faktor-faktor yang berkaitan. Tetapi dalam praktiknya, fungsi keanehan beberapa siri residu mempunyai hubungan jangka panjang, di mana pemasangan fungsi keanehan dengan model ARCH akan menghasilkan kadar purata bergerak yang tinggi, meningkatkan kesukaran anggaran parameter dan akhirnya mempengaruhi ketepatan pemasangan model ARCH. Untuk membetulkan satu masalah, model kepelbagaian yang tidak bersesuaian dengan keadaan regresi yang luas telah dikemukakan, model ini disingkat sebagai GARCH ((p, q). Model GARCH sebenarnya adalah berdasarkan ARCH, dengan peningkatan regressi p-skala yang mempertimbangkan fungsi kebezanan, yang dapat berfungsi dengan baik untuk memadukan fungsi kebezanan yang mempunyai memori jangka panjang. Model ARCH adalah contoh model GARCH, model GARCH (p, q) dengan p = 0.

1.2 Proses ARCH

Definisi σn adalah kadar turun naik aset pada kitaran perdagangan n-1 yang dianggarkan, dan mu adalah kadar pulangan harian, maka anggaran tidak berat sebelah boleh dibuat berdasarkan kadar pulangan pada kitaran perdagangan m terakhir: $$ \sigman^2= \frac{1}{m-1} \sum\limit{i=1}^m {({ \mu_{n-i}- \overline{\mu} }) ^2}, $$ Buat perubahan berikut: 1 menukar μn-i kepada peratusan pulangan; 2 menukar m-1 kepada m; 3 mengandaikan μ = 0, dan perubahan ini tidak memberi kesan yang besar kepada hasil, mengikut formula di atas, kadar turun naik boleh disederhanakan kepada: $$ \sigman^2= \frac{1}{m} \sum\limit{i=1}^m { \mu_{n-i} ^2}, $$ Iaitu, kuadrat kadar turun naik setiap kitaran mempunyai berat yang sama 1/m, kerana untuk menganggarkan kadar turun naik semasa, data yang berdekatan harus diberikan berat yang lebih tinggi, maka formula di atas boleh diubah menjadi: $$ \sigman^2= \sum\limits{i=1}^m { \alpha_i\mu_{n-i} ^2}, $$ αi ialah pekali pangkat dua kadar pulangan pada kitaran dagangan i, nilai yang baik dan nilai i yang lebih kecil adalah nilai yang lebih besar, jumlah beratnya adalah 1; disebarkan lebih lanjut, dengan mengandaikan terdapat perpaduan jangka panjang VL, dan beratnya adalah γ, berdasarkan formula di atas, dapat diperoleh:

$$ Permulaan kes.n^2= \gamma V{L}+\sum\limits_{i=1}^m { \alpha_i\mu_{n-i} ^2}\ &\ \gamma+\sum\limits_{i=1}^m{\alpha_i\mu_{n-i}^2}=1 & \end{cases} $$ Oleh ituω = γVL, formula ((15) boleh ditulis sebagai: $$ \sigman^2= \omega+\sum\limits{i=1}^m { \alpha_i\mu_{n-i} ^2}, $$ Dari formula di atas, kita boleh mendapatkan proses ARCH ((1) yang biasa $$ \sigman^2= omega + mu{n-1} ^2}, $$

1.3 Proses GARCH

Model GARCH ((p,q) adalah gabungan antara model ARCH§ dan EWMA ((q) yang bermaksud bahawa kadar turun naik tidak hanya berkaitan dengan keuntungan sebelum tempoh p tetapi juga berkaitan dengan masa sebelum tempoh q sendiri, yang dinyatakan sebagai berikut: $$ \sigman^2= \omega+\sum\limits{i=1}^m { \alpha_i\mu_{n-i} ^2} + \sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2}, $$ Berdasarkan formula di atas, kita boleh mendapatkan GACH biasa ((1, 1)): $$ \begin{cases}\sigman^2= omega + mu{n-1} ^2+\beta\sigma_{n-1}^2}\&\ \qquad\alpha+\beta+\gamma=1 & \end{cases}, $$

2 Modul QR

Bahagian ini akan menerangkan regresi pecahan asas dan menerangkan kepentingan pecahan strategik

2.1 Definisi QR

Regresi pecahan adalah kaedah pemodelan untuk menganggarkan hubungan linear antara kumpulan pembolehubah regresi X dan pecahan pembolehubah Y yang diterangkan. Model regresi sebelum ini sebenarnya adalah jangkaan syarat untuk kajian pembolehubah yang diterangkan. Ia juga berkaitan dengan bagaimana pembolehubah berkaitan dengan purata, atau pecahan, pembahagian pembolehubah yang diterangkan. Ia mula-mula dikemukakan oleh Koenker dan Bassett (1978).

2.2 Dari OLS ke QR

Kaedah regresi yang umum adalah penggandaan dua minimum, iaitu jumlah persegi yang meminimumkan kesilapan: $$ Min \sum{({y_i- \widehat{y}I })}^2 $$ Objektif pecahan adalah untuk meminimumkan nilai mutlak kesilapan yang ditimbang berdasarkan formula di atas dan: $$ \mathop{\arg\min\beta}\ \sum{[{\tau(y_i-X_i\beta) ^++(1-\tau) \(X_i\beta-y_i) ^+ }]} $$

2.2 Penglihatan QR

Dan anda boleh lihat semua sampel telah dibahagikan dengan garis regresi ke dalam ruang yang berbeza, dan garis regresi ini juga menjadi garis pembahagian.

3.GARCH-QR Kembali

Kami secara semula jadi membincangkan sama ada kita boleh melakukan regresi dengan sigma turun naik yang tidak diketahui oleh pasaran dan bahagian Q atau VaR untuk meramalkan ambang turun naik dalam keadaan kemungkinan masa depan, sektor ini akan melakukan perkembangan ke arah ini.

3.1 Memilih bentuk regresi kadar turun naik dan VaR

Oleh kerana ini adalah mengenai strategi utama, saya akan menggunakan satu bentuk untuk menjelaskan pemikiran. $$ VaR=\epsilon+W^TE\E=(\zeta,\zeta^2,\zeta^3,\zeta^4)\W=(W_1,W_2,W_3,W_4) $$

3.2 Menentukan fungsi sasaran

Mengikut maklumat di atas, kita dapat mendapatkan fungsi sasaran yang akan dioptimumkan selepas penggabungan: $$ \widehat{W}=\mathop{\arg\min_W}\ \ \sum{[{\alpha(VaR_t-W^TE_t) ^++(1-\alpha) ((W^TE_t-VaR_t) ^+ }]} $$

3.3 Mengoptimumkan fungsi sasaran menggunakan pembelajaran mesin

Langkah ini adalah pilihan yang lebih banyak, penurunan gradien tradisional, dan juga algoritma genetik, yang membolehkan pembaca menggunakan kreativiti mereka untuk bereksperimen.Ada maklumat mengenai alamat GA

3. Cara menggunakan GQNR dalam pengukuran kuantitatif

1.思路的确定

Pusat GQNR adalah pada turun naik pasaran, di mana pada setiap titik masa semasa, anda boleh membuat ramalan untuk turun naik masa akan datang melalui GARCH, di sisi lain, anda boleh mendapatkan pengembalian pecahan dari data ramalan turun naik masa lalu untuk mendapatkan sempadan atas dan bawah ambang pergerakan yang tidak akan melebihi dalam keadaan kemungkinan besar; dan kedua-dua sempadan ini adalah pusat keseluruhan.

2.运用的难点

• Mengambil bentuk kembali
• Pilihan algoritma adaptif
• Parameter yang sesuai untuk pembelajaran mesin
• Tidak pasti pasaran secara rawak

3.解决方案

• Mengurangkan kitaran masa pembelajaran strategi
• Menurunkan risiko jangka panjang dalam sekuriti simpanan tunggal
• Menambah pengesahan bersama trend dua garis rata dan pengesahan terendah kedua