Declaración de derechos de autor: Si desea reproducir el código de este artículo, indique su origen, si lo utiliza para fines comerciales, escriba un artículo o póngase en contacto con el autor a 940648114@gmail.comqq.com

Primero, el prólogo

Las ventajas de las transacciones cuantitativas

La negociación cuantitativa se refiere a la sustitución de un juicio subjetivo por un modelo matemático avanzado, que utiliza la tecnología informática para diseñar estrategias para generar una serie de eventos de probabilidad que pueden generar ganancias exorbitantes a partir de grandes volúmenes de datos históricos, lo que reduce enormemente el impacto de las fluctuaciones de la emoción de los inversores y evita tomar decisiones de inversión irracionales en situaciones de mercado extremadamente frenético o pesimista. Debido a la continuidad de los mercados de transacción de moneda digital 24 * 7 horas sin interrupción y a que las transacciones cuantitativas pueden alcanzar el efecto de transacciones de alta frecuencia, comenzar desde el mercado de moneda digital es claramente un buen punto de partida para la cuantificación. Actualmente, el mercado de moneda digital sigue siendo inmaduro.

El modelo de GQNR

Este modelo está basado en el modelo de predicción de la volatilidad de Garch, que utiliza una regresión no lineal para predecir la volatilidad de la VaR mediante regresión por decimales, por ejemplo, GA, para predecir la VaR superior y la VaR inferior en el próximo ciclo futuro. En el contexto, este modelo de método se abreviará como GQNR.

1.Garch模块

En este segmento se explicará en detalle la deducción del núcleo de la estrategia Garch, un método que tiene cierta universalidad en los mercados financieros y que puede alcanzar ciertos efectos de predicción en las monedas digitales.

1.1 Definición de Garch

La esencia del modelo ARCH es adaptar los valores de la diferencia de diferenciación de la función de diferenciación en el momento en que se utiliza la secuencia de cuadros de residuos para el desplazamiento del orden q. Debido a que el modelo de media móvil tiene una terminación del orden q de los coeficientes correlativos, el modelo ARCH se aplica en realidad solo a los coeficientes correlativos de corto plazo de las funciones de diferencia de diferencia. Sin embargo, en la práctica, algunas secuencias de residuos tienen una función de diferencia heterogénea de larga duración, por lo que el uso del modelo ARCH para ajustar las funciones de diferencia heterogénea producirá un número de escalas de media móvil muy alto, aumentando la dificultad de la estimación de los parámetros y finalmente afectando la precisión de ajuste del modelo ARCH. Para corregir un problema, se propone un modelo de diferencia de diferenciación generalizada de la regresión condicional, que se abreviará como GARCH ((p, q). El modelo GARCH es basado en el modelo ARCH, que se forma gracias a la regresión de la escala p de la función de diferenciación considerada, y que puede encajar eficazmente con funciones de diferenciación con memoria a largo plazo. El modelo ARCH es un ejemplo del modelo GARCH, el modelo GARCH (p,q) de p = 0.

1.2 Proceso ARCH

Definición σn es la estimativa de la volatilidad del activo en el n ciclo de operaciones en el n - 1 ciclo de operaciones, mu es la rentabilidad diaria, entonces se puede hacer una estimación imparcial en función de la rentabilidad de los últimos m ciclos de operaciones: ¿Qué es eso? ¿Qué es eso?n^2= \frac{1}{m-1} \suma\ límitesLa línea de la línea de la línea de la línea de la línea de la línea de la línea de la línea de la línea de la línea de la línea. ¿Qué es eso? Si se realiza la siguiente variación: 1 se convierte en μn-i por porcentaje de rendimiento; 2 se convierte en m-1 por m; 3 se supone que μ=0, y estos cambios no afectan mucho al resultado, la fluctuación se puede simplificar según la fórmula anterior: ¿Qué es eso? ¿Qué es eso?n^2= \frac{1}{m} \suma\ límitesAsí que esto es lo que tenemos aquí. ¿Qué es eso? Es decir, el cuadrado de la fluctuación de cada ciclo tiene un peso igual a 1/m, ya que es estimar la fluctuación actual, los datos de distancia cercana deben dar un mayor peso, la fórmula anterior se puede cambiar para: ¿Qué es eso? ¿Qué es eso?n ^ 2 = \ suma \ límitesAsí que, ¿por qué no lo hacemos? ¿Qué es eso? αi es el coeficiente del cuadrado de la rentabilidad del ciclo de operaciones i, el valor positivo y el valor menor de i, el mayor, la suma de peso es 1; se propone aún más, suponiendo que exista un diferencial de diferenciación a largo plazo VL, y el peso correspondiente sea γ, se obtiene de acuerdo con la fórmula anterior:

¿Qué quieres decir? Los casos comienzan.n^2 = \ gama VLos límites de la suma de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números de los números. ¿Qué es eso? Por lo queω = γVL, la fórmula ((15) se puede escribir como: ¿Qué es eso? ¿Qué es eso?n ^ 2 = \ omega + \ suma \ límitesAsí que, ¿por qué no lo hacemos? ¿Qué es eso? De acuerdo con la fórmula anterior, podemos obtener el proceso común ARCH ((1)). ¿Qué es eso? ¿Qué es eso?N ^ 2 = \ omega + { \ alfa \ mu{n-1} ^2}, ¿Qué quieres decir?

1.3 Proceso de GARCH

El modelo GARCH ((p,q) es una combinación del modelo ARCH§ y EWMA ((q) que significa que la volatilidad no sólo se relaciona con las ganancias del período anterior p, sino también con el período anterior q, y se expresa de la siguiente manera: ¿Qué es eso? ¿Qué es eso?n ^ 2 = \ omega + \ suma \ límitesEl valor de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de la suma de los límites de los límites de la suma de los límites de la suma de los límites de los límites de ¿Qué es eso? De acuerdo con la fórmula anterior podemos obtener el común GARCH ((1,1)): ¿Qué es eso? ¿Por qué no lo haces?N ^ 2 = \ omega + { \ alfa \ muEl número de veces que el número de veces que el número de veces que el número de veces que el número de veces que el número de veces ¿Qué quieres decir?

2 módulos QR

Este sector explicará la regresión de los parámetros básicos y describirá la importancia de los parámetros estratégicos.

2.1 Definición de QR

La regresión por fracciones es un método de modelado para estimar la relación lineal entre un conjunto de variables de regresión X y las fracciones de las variables interpretadas Y. El modelo de regresión anterior es en realidad una expectativa condicional para el estudio de las variables interpretadas. También se preocupa por explicar cómo se relacionan las variables con los medianos de la distribución de las variables interpretadas. Fue propuesto por primera vez por Koenker y Bassett (1978). El cálculo de las estimaciones de regresión OLS se basa en el cuadrado de residuos de minimización.

2.2 Desde OLS a QR

El método de regresión general es el mínimo de doblaje, es decir, la suma de los cuadrados con el menor error: ¿Qué es eso? ¿Qué es lo que quieres decir con esto?Así que vamos a ver si esto es cierto. ¿Qué es eso? El objetivo del decimal es minimizar el valor absoluto del error ponderado sobre la base de la fórmula anterior y: ¿Qué es eso? ¿Por qué no lo haces?¿Qué es lo que está sucediendo? ¿Qué quieres decir?

2.2 Visualización QR

Como se puede ver, todas las muestras están divididas en diferentes espacios por la línea de regresión, y esta línea de regresión también se convierte en la línea de división.

3. El regreso de GARCH-QR

Naturalmente, nos planteamos si se podría hacer una regresión con sigma de volatilidad desconocida del mercado y el parámetro Q o VaR para predecir el umbral de volatilidad en caso de probabilidad futura, y este sector se desarrollará en esta dirección.

3.1 Seleccionar la forma de regreso de la volatilidad y el VaR

Como aquí se trata del núcleo de la estrategia, me limitaré a dar una forma para ilustrar la idea. ¿Qué es eso? VaR=\epsilon + W^TE\E=(\zeta, \zeta^2, \zeta^3, \zeta^4) \W=(W_1, W_2, W_3, W_4) ¿Qué es eso?

3.2 Determinación de las funciones objetivo

Basándonos en la información anterior, podemos combinar para obtener la función objetivo final a optimizar: ¿Qué es eso? \widehat{W}=\mathop{\arg\min_W} \ \sum{[{\alpha(VaR_t-W^TE_t) ^++(1-\alpha) ((W^TE_t-VaR_t) ^+ }]} ¿Qué es eso?

3.3 Optimización de funciones objetivo con aprendizaje automático

Este paso es más opcional, con una disminución de la trayectoria tradicional, también se pueden heredar algoritmos, y los lectores pueden experimentar con su propia creatividad.Hay algo acerca de la dirección del algoritmo GA

Tres, cómo utilizar el GQNR en la cuantificación

1.思路的确定

El núcleo de GQNR está en la volatilidad del mercado, en el momento actual de cada período, por lo que se puede hacer un pronóstico de la próxima volatilidad a través de GARCH, y por otro lado, se puede obtener un regreso porcentual de la volatilidad de los datos previos del pasado, obteniendo un límite superior y inferior de los umbrales de fluctuación que no se excederán en casos de gran probabilidad. Y estos dos límites son el núcleo del conjunto. Una vez que se activa el límite superior, podemos considerar una tendencia de retroceso a corto plazo bajo la probabilidad, una vez que se activa el límite inferior, podemos considerar una tendencia de subida a corto plazo bajo la probabilidad.

2.运用的难点

• La forma de regreso
• Selección de algoritmos de adaptación
• Los parámetros adecuados para el aprendizaje automático
• La incertidumbre del mercado es aleatoria

3.解决方案

• Reducir el tiempo de aprendizaje estratégico
• Reducir el riesgo de riesgo a largo plazo de los fondos de garantía de una sola inversión
• Aumentar la co-verificación de tendencias bi-uniformes y la confirmación de umbrales secundarios