Pernyataan hak cipta: Jika Anda ingin menyalin kode untuk artikel ini, silakan jelaskan asal usulnya, jika Anda ingin menggunakannya untuk tujuan komersial, atau menulis makalah, silakan kirim email pribadi atau hubungi penulis di 940648114@gmail.comqq.com

Pertama, kata pengantar

Keuntungan dari transaksi kuantitatif

Perdagangan kuantitatif adalah perhitungan subjektif yang menggunakan model matematika canggih sebagai pengganti, menggunakan teknologi komputer untuk membuat strategi untuk berbagai kemungkinan besar yang dapat menghasilkan keuntungan yang luar biasa dari data sejarah yang sangat besar, sangat mengurangi dampak dari volatilitas emosi investor, dan menghindari membuat keputusan investasi yang tidak rasional dalam situasi pasar yang sangat panik atau pesimis. Karena kontinuitas pasar perdagangan mata uang digital 24 * 7 jam tanpa gangguan, dan transaksi kuantitatif dapat mencapai efek perdagangan frekuensi tinggi, mulai dari pasar mata uang digital jelas merupakan titik awal yang baik untuk melakukan kuantifikasi. Saat ini pasar mata uang digital masih belum matang. Gangguan sistem perdagangan platform, k-line plug masih akan muncul sesekali, dan juga merupakan risiko untuk perdagangan kuantitatif.

2. Model GQNR

Model ini didasarkan pada model Garch untuk memprediksi fluktuasi, menggunakan nilai VaR dari fluktuasi yang diprediksi dengan regressi desimal dan kemudian menggunakan regressi non-linear, seperti GA untuk mengadaptasi untuk memprediksi VaR atas dan VaR bawah pada siklus berikutnya di masa depan, dalam konteks model metode ini disingkat sebagai GQNR.

1.Garch模块

Pada bagian ini akan dijelaskan secara rinci tentang strategi Garch, metode yang memiliki kegunaan tertentu di pasar keuangan dan dapat mencapai efek prediktif tertentu pada mata uang digital.

1.1 Definisi Garch

Model ARCH pada dasarnya adalah pergeseran gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak gerak Namun, dalam praktiknya, fungsi keanehan dari beberapa deret parsial memiliki keterkaitan jangka panjang, di mana penggunaan model ARCH untuk menyesuaikan fungsi keanehan akan menghasilkan tingkat rata-rata bergerak yang tinggi, meningkatkan kesulitan perkiraan parameter dan akhirnya mempengaruhi akurasi pencocokan model ARCH. Untuk memperbaiki masalah ini, sebuah model diferensial dari kondisi regresi yang luas, yang disingkat GARCH ((p, q), diusulkan. Model GARCH sebenarnya didasarkan pada model ARCH, dengan penambahan regressi p-skala yang mempertimbangkan fungsi keanehan, yang dapat secara efektif cocok dengan fungsi keanehan yang memiliki memori jangka panjang. Model ARCH adalah contoh dari model GARCH, model GARCH (p, q) dengan p = 0.

1.2 Proses ARCH

Definisi σn adalah perkiraan fluktuasi aset pada siklus perdagangan n-1 dan mu adalah tingkat pengembalian harian, maka perkiraan bias dapat dibuat berdasarkan tingkat pengembalian pada m siklus perdagangan terakhir: $$ \sigman^2= \frac{1}{m-1} \sum\limit{i=1}^m {({ \mu_{n-i}- \overline{\mu} }) ^2}, $$ Mengubahnya 1 akan mengubah μn-i menjadi persentase laba; 2 akan mengubah m-1 menjadi m; 3 akan mengasumsikan bahwa μ = 0, dan perubahan ini tidak berpengaruh besar pada hasilnya, dan menurut rumus di atas, fluktuasi dapat disederhanakan menjadi: $$ \sigman^2= \frac{1}{m} \sum\limitJadi kita dapat melihat bahwa kita memiliki dua bilangan bulat. $$ Artinya, kuadrat dari tingkat fluktuasi setiap siklus memiliki bobot yang sama 1/m, karena untuk memperkirakan tingkat fluktuasi saat ini, data jarak dekat harus diberikan bobot yang lebih tinggi, maka rumus di atas dapat diubah menjadi: $$ \sigman^2= \sum\limit{\displaystyle {i=1}^m { \alpha_i\mu_{n-i}^2}, maka kita dapat menghitung $$ αi adalah koefisien dari pangkat dua dari rentang pengembalian pada siklus perdagangan i, dengan nilai positif dan nilai i yang lebih kecil semakin besar, jumlah bobotnya adalah 1; disebarluaskan lebih lanjut, dengan asumsi ada perbandingan panjang VL, dengan bobot yang sesuai γ, dapat diperoleh berdasarkan rumus di atas:

$$ {\fnCandara\fs60\b1\4cH000000\4aH80}Mulai kasusn^2 = \gamma V{L}+\sum\limits_{i=1}^m { \alpha_i\mu_{n-i} ^2}\ &\ \gamma+\sum\limits_{i=1}^m{\alpha_i\mu_{n-i}^2}=1 & \end{cases} $$ Dengan demikianω = γVL, rumus ((15) dapat dituliskan sebagai: $$ \sigman^2= \omega+\sum\limit{\displaystyle {i=1}^m { \alpha_i\mu_{n-i}^2}, maka kita dapat menghitung $$ Dengan menggunakan rumus di atas kita bisa mendapatkan proses ARCH ((1) yang umum. $$ \sigman^2 = \omega+{ \alpha\mu{n-1} ^2}, $$

1.3 Proses GARCH

Model GARCH (p,q) adalah kombinasi dari model ARCH§ dan EWMA (q), yang berarti bahwa fluktuasi tidak hanya terkait dengan keuntungan periode sebelum p, tetapi juga terkait dengan periode sebelum q sendiri, yang dinyatakan sebagai berikut: $$ \sigman^2= \omega+\sum\limit{i=1}^m { \alpha_i\mu_{n-i} ^2} + \sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2}, $$ Dengan rumus di atas, kita bisa mendapatkan GARCH biasa ((1,1)): $$ \begin{cases}\sigman^2 = \omega+{ \alpha\mu{n-1} ^2+\beta\sigma_{n-1}^2}\&\ \qquad\alpha+\beta+\gamma=1 & \end{cases}, $$

2 Modul QR

Bagian ini akan menjelaskan regresi pecahan dasar dan menggambarkan pentingnya pecahan strategis.

2.1 Definisi QR

Regresi desimal adalah metode pemodelan untuk memperkirakan hubungan linear antara himpunan variabel desimal X dan desimal variabel Y yang diinterpretasikan. Model regresi sebelumnya sebenarnya merupakan harapan kondisi untuk mempelajari variabel yang diinterpretasikan. Dan orang-orang juga tertarik untuk menjelaskan bagaimana variabel berhubungan dengan median, atau pecahan, dari distribusi variabel yang diinterpretasikan. Model ini pertama kali dikemukakan oleh Koenker dan Bassett (1978). Perhitungan estimasi regresi OLS didasarkan pada minimal residual kuadrat. Perhitungan estimasi regresi pecahan juga didasarkan pada minimalisasi residual nilai absolut dalam bentuk tidak simetris.

2.2 Dari OLS ke QR

Metode regresi umum adalah perkalian dua minimum, yaitu jumlah kuadrat dari kesalahan minimum: $$ Min \sum{({y_i- \widehat{y}Jadi kita bisa melihat $$ Dan tujuan dari pecahan adalah untuk meminimalkan nilai absolut dari kesalahan yang ditimbang berdasarkan rumus di atas dan: $$ \mathop{\arg\min\beta}\ \sum{[{\tau(y_i-X_i\beta) ^++(1-\tau) \(X_i\beta-y_i) ^+ }]} $$

2.2 Visualisasi QR

Dan Anda dapat melihat bahwa semua sampel dibagi oleh garis regresi ke dalam ruang yang berbeda, dan garis regresi ini juga menjadi garis pembagian.

3. GARCH-QR kembali

Kami secara alami berpikir apakah kita dapat melakukan regresi dengan sigma fluktuasi pasar yang tidak diketahui dan fraksi Q atau VaR untuk memprediksi ambang fluktuasi pada kemungkinan besar di masa depan, dan sektor ini akan bergerak ke arah ini.

3.1 Memilih bentuk regresi dari volatilitas dan VaR

Karena ini adalah tentang strategi inti, saya akan menggunakan bentuk untuk menjelaskan ide-ide tersebut. $$ VaR=\epsilon+W^TE\E=(\zeta,\zeta^2,\zeta^3,\zeta^4) \W=(W_1,W_2,W_3,W_4) $$

3.2 Menentukan fungsi target

Dengan informasi di atas, kita dapat melakukan kombinasi untuk mendapatkan fungsi target yang akan dioptimalkan: $$ \widehat{W}=\mathop{\arg\min_W} \ \sum{[{\alpha(VaR_t-W^TE_t) ^++(1-\alpha) ((W^TE_t-VaR_t) ^+ }]} $$

3.3 Mengoptimalkan fungsi target menggunakan pembelajaran mesin

Langkah ini memiliki banyak pilihan, penurunan gradien tradisional, dan juga algoritma genetik, sehingga pembaca dapat menggunakan kreativitas mereka untuk bereksperimen.Ada tentang alamat algoritma GA

Ketiga, bagaimana menggunakan GQNR dalam kuantitas

1.思路的确定

Inti dari GQNR adalah fluktuasi pasar, di setiap titik waktu saat ini, dapat diprediksi oleh GARCH untuk memprediksi fluktuasi periode berikutnya, di sisi lain, dengan regressi pecahan dari data yang diprediksi fluktuasi periode sebelumnya, dapat diperoleh batas atas dan batas bawah fluktuasi yang tidak akan dilampaui dalam kasus kemungkinan besar. Dan kedua batas ini, adalah inti dari keseluruhan.

2.运用的难点

• Mengambil bentuk kembali
• Pilihan algoritma adaptif
• Parameter yang tepat untuk pembelajaran mesin
• Pasar yang tidak pasti dan acak

3.解决方案

• Mengurangi siklus waktu belajar strategi
• Menurunkan risiko jangka panjang dari sekuritas yang disimpan secara tunggal
• Meningkatkan pengesahan tren dua garis lurus bersama dan pengesahan ambang kedua