Mengapa analisis teknikal tradisional gagal dalam pasaran yang kompleks?

Dalam bidang perdagangan kuantitatif, kita sering menghadapi kekeliruan: mengapa strategi berdasarkan purata bergerak mudah atau RSI berprestasi cemerlang dalam beberapa persekitaran pasaran, tetapi sering gagal dalam tempoh lain? Jawapannya terletak pada kerumitan siri masa kewangan – ia bukan sahaja mempunyai autokorelasi, tetapi juga ciri volatiliti yang berubah mengikut masa.

Strategi yang dianalisis hari ini menggabungkan secara bijak model autoregresif AR(2) dan model heteroskedastisitas bersyarat GARCH(1,1), cuba menyelesaikan masalah ini dari sudut statistik. Ini bukan sekadar timbunan penunjuk teknikal, tetapi penggalian mendalam terhadap ciri-ciri asas siri masa kewangan.

Bagaimana model AR(2) menangkap kesan ingatan harga?

Inti strategi terletak pada penggunaan model autoregresif AR(2). Apakah itu autoregresif? Secara ringkas, menggunakan masa lalu sendiri untuk meramalkan masa depan. Model AR(2) menganggap bahawa pulangan semasa boleh diungkapkan secara linear oleh pulangan dua tempoh sebelumnya:

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

Dalam kod, pekali φ₁ dan φ₂ diselesaikan melalui persamaan Yule-Walker:

            pinescript
            
            
c0 = calcAutoCovariance(returns, 0, lengthReg) // autokovarians ketinggalan 0
c1 = calcAutoCovariance(returns, 1, lengthReg) // autokovarians ketinggalan 1
c2 = calcAutoCovariance(returns, 2, lengthReg) // autokovarians ketinggalan 2
phi1 = (c1 * c0 - c2 * c1) / denominator // pekali autoregresif pertama
phi2 = (c2 * c0 - c1 * c1) / denominator // pekali autoregresif kedua

Kelebihan kaedah ini: ia tidak bergantung pada pertimbangan subjektif, tetapi membiarkan data 'bercakap' sendiri, menemui corak tersirat dalam siri harga.

Mengapa model GARCH dapat menggambarkan risiko pasaran dengan lebih baik?

Model AR sahaja tidak mencukupi kerana volatiliti pasaran kewangan tidak tetap. Kita semua tahu fenomena 'pengumpulan volatiliti' – pergerakan besar sering diikuti dengan pergerakan besar, tempoh tenang selalunya berpanjangan.

Model GARCH(1,1) direka untuk menangkap ciri ini:

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

Logik pelaksanaan dalam kod jelas menggambarkan perkara ini:

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

Pandangan utama di sini: varians bersyarat semasa bukan sahaja bergantung pada kuasa dua ralat tempoh lalu (kejutan jangka pendek), tetapi juga pada varians bersyarat tempoh lalu (kesinambungan jangka panjang). Parameter α mengawal kesan kejutan jangka pendek, β mengawal kesinambungan volatiliti.

Bagaimana logik perdagangan strategi mencapai keseimbangan risiko-pulangan?

Dengan ramalan AR dan anggaran volatiliti GARCH, strategi membina selang keyakinan dinamik:

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

Logik penjanaan isyarat perdagangan mencerminkan idea regresi min:

• Apabila harga jatuh di bawah jalur bawah, beli (longSignal = rawPrice < lowerPriceBand)
• Apabila harga menembusi jalur atas, jual (shortSignal = rawPrice > upperPriceBand)

Keistimewaan reka bentuk ini: lebar selang keyakinan akan menyesuaikan secara dinamik mengikut volatiliti pasaran. Dalam tempoh volatiliti tinggi, selang menjadi lebar, mengurangkan kekerapan perdagangan; dalam tempoh volatiliti rendah, selang mengecil, meningkatkan peluang perdagangan.

Apakah isu utama yang perlu diberi perhatian dalam aplikasi praktikal?

1. Ujian kestabilan model
Kod mengandungi pemeriksaan kestabilan penting:

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

Ini memastikan kestabilan model AR, mengelakkan hasil ramalan yang bercapah.

2. Kekangan penumpuan parameter
Model GARCH memerlukan α + β < 1 untuk memastikan kewujudan varians jangka panjang:

            pinescript
            
            
if sumParam >= 0.999
    scale = 0.99 / sumParam

3. Keperluan mekanisme penapisan
Strategi menyediakan pilihan penapisan RSI, yang penting dalam aplikasi praktikal. Model statistik tulen mungkin mengabaikan ciri trend pasaran; penambahan penunjuk teknikal dapat memberikan isyarat pengesahan tambahan.

Had dan arah penambahbaikan strategi

Walaupun strategi ini elegan secara teori, aplikasi praktikal tetap perlu mempertimbangkan:

Pemilihan kekerapan data: Prestasi model AR-GARCH sangat berbeza dalam tempoh yang berbeza. Data kekerapan tinggi memberikan lebih banyak maklumat, tetapi juga memperkenalkan lebih banyak bunyi.

Kebolehubahan parameter: Pelaksanaan semasa menganggap parameter AR dan GARCH adalah tetap dalam tetingkap anggaran, tetapi struktur pasaran sebenar mungkin berubah.

Kesan kos perdagangan: Strategi arbitraj statistik biasanya memerlukan kekerapan perdagangan yang tinggi; kos komisen dan gelinciran tidak boleh diabaikan.

Penutup: Nilai pemodelan statistik dalam perdagangan kuantitatif

Strategi AR-GARCH ini menunjukkan kuasa besar statistik moden dalam pemodelan kewangan. Ia bukan sekadar gabungan penunjuk teknikal, tetapi penggalian mendalam terhadap ciri statistik siri masa kewangan.

Bagi pedagang kuantitatif, memahami nilai strategi sebegini bukan sahaja untuk aplikasi langsung, tetapi lebih kepada memupuk keupayaan menganalisis pasaran dengan pemikiran statistik. Pada zaman AI dan pembelajaran mesin yang semakin popular, model statistik klasik ini masih menjadi asas penting untuk memahami pasaran dan membina strategi.