Почему традиционный технический анализ не работает на сложных рынках?

В области количественных сделок мы часто сталкиваемся с таким недоразумением: почему стратегии, основанные на простых движущихся средних или RSI, превосходно работают в некоторых рыночных условиях, а часто терпят неудачу в других? Ответ заключается в сложности финансовых временных рядов, которые не только связаны между собой, но и характеризуются волатильностью, изменяющейся с течением времени.

Эта стратегия, которую мы рассмотрим сегодня, искусно объединяет модель AR(2) с регрессией и модель GARCH(1,1) с условным дифференциалом, чтобы попытаться решить эту проблему с точки зрения статистики. Это не простое наложение технических показателей, а глубокое изучение основных особенностей финансовой временной серии.

AR2) Как модель улавливает эффект памяти цены?

В основе стратегии лежит применение модели саморегуляции AR[2]: что такое саморегуляция? Проще говоря, это использование прошлого себя для прогнозирования будущего себя[3].

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

В коде уравнение Юле-Уокера решает коэффициенты φ1 и φ2:

            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

Преимущество этого метода заключается в том, что он не полагается на субъективные суждения, а позволяет данным "говорить" сами за себя, обнаруживая закономерности, скрытые в ценовой последовательности.

Почему модель GARCH лучше отражает рыночные риски?

Одно только AR-модели недостаточно, поскольку волатильность финансовых рынков не является постоянной. Мы все знаем, что волатильность сосредотачивается, когда большие колебания часто сопровождаются большими колебаниями, а спокойные периоды обычно длятся дольше.

Модель GARCH ((1,1) была создана именно для этого:

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

Это ясно видно из логики реализации в коде:

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

Ключевое понимание здесь заключается в том, что текущая условная сторона зависит не только от остаточного квадрата предыдущего периода ((короткосрочный удар), но и от условной сторон предыдущего периода ((долгосрочная устойчивость)). Параметр α контролирует влияние краткосрочного удара, β контролирует устойчивость колебаний.

Как логика торговли в стратегии может сбалансировать риск и выгоду?

С помощью AR-прогнозов и оценки волатильности GARCH, стратегия создает динамические доверительные интервалы:

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

Логика генерирования торговых сигналов отражает идею среднезначной регрессии:

• Если цена падает вниз по диапазону, то мы делаем больше.
• При повышении цены в верхнем диапазоне (shortSignal = rawPrice > upperPriceBand)

Хитрость этой конструкции заключается в том, что ширина доверительного диапазона динамически корректируется в зависимости от волатильности рынка. В периоды высокой волатильности диапазон становится шире, уменьшая частоту торговли; в периоды низкой волатильности диапазон сужается, увеличивая торговые возможности.

Какие ключевые вопросы требуют внимания в практическом применении?

1. Проверка стабильности модели
В коде содержится важная проверка стабильности:

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

Это обеспечивает стабильность AR-моделей и предотвращает рассеянные прогнозы.

2. Ограничение конвергентности параметров
Модель GARCH требует, чтобы α + β < 1 гарантировало существование долгосрочной дифференциации:

            pinescript
            
            
if sumParam >= 0.999
    scale = 0.99 / sumParam

3. Необходимость фильтрации
Стратегия предоставляет опцию фильтрации RSI, что важно в практическом применении. Чисто статистические модели могут игнорировать тенденционные характеристики рынка, а добавление технических показателей может предоставить дополнительные подтверждающие сигналы.

Ограничения стратегии и пути улучшения

Несмотря на то, что эта стратегия в теории изящна, в практическом применении необходимо учитывать:

Выбор частоты данныхМодель AR-GARCH отличается значительным образом в различных периодах. Высокочастотные данные дают больше информации, но также вводят больше шума.

Временная изменчивость: В текущей реализации допускается, что параметры AR и GARCH постоянны в течение окна оценки, но реальная структура рынка может измениться.

Влияние на стоимость сделкиСтатистическая арбитражная стратегия обычно требует более высокой частоты сделок, а комиссионные и стоимость скольжения нельзя игнорировать.

В заключение: ценность статистического моделирования в количественных сделках

Стратегия AR-GARCH демонстрирует мощную силу современной статистики в финансовом моделировании. Это не просто совокупность технических показателей, а глубокое изучение статистических особенностей финансовых временных рядов.

Для квантовых трейдеров понимание таких стратегий имеет значение не только в их непосредственном применении, но и в развитии способности анализировать рынок с помощью статистического мышления. В современном мире искусственного интеллекта и машинного обучения эти классические статистические модели по-прежнему являются важным фундаментом для понимания рынка и построения стратегии.