Tại sao phân tích kỹ thuật truyền thống không hiệu quả trong thị trường phức tạp?

Trong lĩnh vực giao dịch định lượng, chúng ta thường gặp sự nhầm lẫn về lý do tại sao các chiến lược dựa trên đường trung bình di chuyển đơn giản hoặc RSI hoạt động tốt trong một số môi trường thị trường và thất bại thường xuyên trong các giai đoạn khác. Câu trả lời nằm ở sự phức tạp của các chuỗi thời gian tài chính - chúng không chỉ có liên quan đến bản thân mà còn có tính năng biến động theo thời gian.

Chiến lược mà chúng ta sẽ phân tích hôm nay, kết hợp một cách khéo léo mô hình AR(2) tự hồi quy và mô hình chênh lệch điều kiện GARCH(1,1) để cố gắng giải quyết vấn đề này từ góc độ thống kê. Đây không phải là chỉ số kỹ thuật đơn giản chồng lên nhau, mà là sự khai thác sâu sắc về các đặc điểm bản chất của chuỗi thời gian tài chính.

AR: 2) Mô hình này đã thu được hiệu ứng ký ức của giá như thế nào?

Đơn giản là sử dụng bản thân trong quá khứ để dự đoán bản thân trong tương lai. AR 2 giả định rằng tỷ lệ lợi nhuận hiện tại có thể được thể hiện tuyến tính bởi tỷ lệ lợi nhuận của hai giai đoạn trước:

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

Mã giải các hệ số φ1 và φ2 bằng phương trình Yule-Walker:

            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

Lợi thế của phương pháp này là nó không dựa vào sự phán đoán chủ quan, mà để cho dữ liệu tự "nói" và khám phá ra các định kỳ ẩn trong chuỗi giá.

Tại sao mô hình GARCH có thể mô tả rủi ro thị trường tốt hơn?

Chỉ có mô hình AR là không đủ, vì sự biến động của thị trường tài chính không phải là cố định. Chúng ta đều biết rằng sự biến động lớn thường đi kèm với biến động lớn, và thời gian yên tĩnh thường kéo dài hơn.

Mô hình GARCH ((1,1) được thiết kế để mô tả đặc điểm này:

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

Lập trình trong mã đã thể hiện rõ điều này:

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

Những hiểu biết quan trọng ở đây là: tỷ lệ chênh lệch điều kiện hiện tại phụ thuộc không chỉ vào chênh lệch dư thừa bình phương của giai đoạn trước ((động thái ngắn hạn), mà còn phụ thuộc vào tỷ lệ chênh lệch điều kiện của giai đoạn trước ((sự liên tục dài hạn)). Các tham số α kiểm soát ảnh hưởng của các tác động ngắn hạn, β kiểm soát sự liên tục của tỷ lệ biến động.

Lập luận giao dịch của chiến lược này có thể cân bằng giữa rủi ro và lợi nhuận như thế nào?

Với dự đoán AR và ước tính biến động GARCH, chiến lược xây dựng khoảng tin cậy động:

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

Logic tạo ra tín hiệu giao dịch thể hiện ý tưởng về hồi quy trung bình:

• LongSignal = rawPrice < lowerPriceBand)
• Khi giá phá vỡ đường ray trên

Sự tinh tế của thiết kế này là: chiều rộng của khoảng tin cậy sẽ được điều chỉnh theo động thái biến động của thị trường. Trong thời gian biến động cao, khoảng rộng hơn, giảm tần suất giao dịch; trong thời gian biến động thấp, khoảng hẹp hơn, tăng cơ hội giao dịch.

Những vấn đề quan trọng nào cần chú ý trong ứng dụng thực tế?

1. Kiểm tra độ ổn định mô hình
Mã này bao gồm các kiểm tra ổn định quan trọng:

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

Điều này đảm bảo sự ổn định của mô hình AR và tránh các kết quả dự đoán phân tán.

2. Rõ ràng ràng buộc đối với tham số hội tụ
Mô hình GARCH yêu cầu α + β < 1 để đảm bảo sự khác biệt dài hạn:

            pinescript
            
            
if sumParam >= 0.999
    scale = 0.99 / sumParam

3. Nhu cầu về cơ chế lọc
Chiến lược cung cấp các tùy chọn lọc RSI, điều này rất quan trọng trong ứng dụng thực tế. Mô hình thống kê thuần túy có thể bỏ qua các đặc điểm xu hướng của thị trường, và việc thêm các chỉ số kỹ thuật có thể cung cấp tín hiệu xác nhận bổ sung.

Hạn chế và phương hướng cải thiện chiến lược

Mặc dù chiến lược này có vẻ thanh lịch về mặt lý thuyết, nhưng trong thực tế, nó vẫn cần phải được xem xét:

Chọn tần số dữ liệu: Mô hình AR-GARCH có sự khác biệt lớn trong hiệu suất trong các chu kỳ khác nhau. Dữ liệu tần số cao có thể cung cấp nhiều thông tin hơn, nhưng cũng giới thiệu nhiều tiếng ồn hơn.

Tính biến đổi theo thời gian của tham số: Thực hiện hiện giả định AR và GARCH tham số là không đổi trong cửa sổ ước tính, nhưng cấu trúc thị trường thực tế có thể thay đổi.

Tác động của chi phí giao dịchCác chiến lược mạo hiểm thống kê thường đòi hỏi tần suất giao dịch cao hơn, phí và chi phí trượt không thể bỏ qua.

Kết luận: Giá trị của mô hình thống kê trong giao dịch định lượng

Chiến lược AR-GARCH cho thấy sức mạnh của thống kê hiện đại trong mô hình tài chính. Nó không chỉ đơn giản là một bộ chỉ số kỹ thuật, mà là sự khai thác sâu sắc về tính chất thống kê của chuỗi thời gian tài chính.

Đối với các nhà giao dịch định lượng, giá trị của việc hiểu được các chiến lược này không chỉ nằm ở việc áp dụng trực tiếp mà còn ở khả năng phân tích thị trường bằng tư duy thống kê. Ngày nay, khi AI và học máy đang phổ biến, các mô hình thống kê cổ điển này vẫn là nền tảng quan trọng để chúng ta hiểu thị trường và xây dựng chiến lược.