著作権声明: この記事のコードを複製する場合は,出所を記載してください. 商業用,論文作成の場合は,個人メールまたは940648114@メールで作成者に連絡してください.qq.com

"つ目,前言

量化取引の利点

量化取引とは,高度な数学モデルを代替して主観的な判断を行い,膨大な歴史的データから計算技術を利用し,戦略を策定し,投資家の感情の波動を大幅に軽減し,市場が極端に熱狂的または悲観的な状況下で不合理な投資決定を下すことを避ける. デジタル通貨の取引市場が24*7時間の連続性があり,量化取引が高周波取引の効果を達成できるため,デジタル通貨市場から始めることは明らかに量化を行うのに良い出発点である.現在,デジタル通貨市場はまだ未熟である.プラットフォーム取引システムの障害物,k線插頭は依然として時々現れ,量化取引にはリスクもある.しかし,デジタル通貨の量化取引は全体的に利害よりも劣悪である.なぜなら,モデルの反テスト訓練と時間配列の反テスト分析によって,私たちは最も短い時間で数百のモデルの中で最も適した方法を試すことができるからです.

2 GQNRモデルについて

このモデルは,Garchモデルをベースに,分位回帰による波動予測のVaR値を利用し,非線形回帰,例えばGAを組み合わせて,将来の次の周期における上限VaRと下限VaRを予測する.この方法モデルを後文ではGQNRとして簡略化する.

1.Garch模块

この分野では,金融市場においてある程度の普遍性を持つ戦略的Garchの核心推論を詳細に説明し,デジタル通貨で一定の予測効果を達成する.

1.1 Garch 定義

ARCHモデルの本質は,残差平方序列のq段階移動平面を現在の離差関数値に適合させるために使用することであり,移動平均モデルの自関数 q段階切片性があるため,ARCHモデルは実際には,異関数短時間自関数のみに適用される. しかし,実用では,いくつかの残差配列の異差関数は長期自関係性があり,ARCHモデルの適合異差関数を使用すると,非常に高い移動平均段階数が生成され,パラメータ推定の難しさが増加し,最終的にARCHモデルの適合精度に影響を与える. 問題を修正するために,一般的自回帰条件異差モデルが提示され,このモデルはGARCH ((p,q) と簡略化されている. GARCHモデルは,実際にはARCHの基礎であり,長期記憶可能な異差関数に有効な適合を可能にする,異差関数の p 階層を考慮する自帰性を増加させ,ARCHモデルを基に形成されている.

1.2 ARCH プロセス

定義 σn は,n−1 取引サイクルにおける資産の変動率をn 取引サイクルにおける資産の変動率を推定し,mu は日当たりの収益率である. $$ シグマこの数値は,この数値から,{i=1}^m {({ \mu_{n-i}- \overline{\mu} } ) ^2} $$ 次の変化をすると1はμn-iを百分比率に変換する. 2はm-1をmに変換する. 3はμ=0と仮定し,これらの変化が結果にほとんど影響しない.上記の式では,波動率を以下のように簡略化することができる: $$ シグマこの数値は,x^2=\frac{1}{m} \sum\limitでこの2つの条件は, $$ つまり,各周期の波動率の平方に等しい重量1/mがある.現在の波動率を推定するため,近距離のデータはより高い重量を与えられるべきであるため,上記の式は以下のように変えることができる. $$ シグマn^2= \ sum \ 限界この2つの要素は, $$ αiは第1取引周期における収益率平方の因数であり,正の値とiの小さい値が大きいほど,重み合計は1である.さらに広めると,長期方差率VLがあり,対応する重量はγであると仮定し,上記の式によって得られる:

$$ シグマの始まりグラマVは,{L}+\sum\limits_{i=1}^m { \alpha_i\mu_{n-i} ^2}\ &\ \gamma+\sum\limits_{i=1}^m{\alpha_i\mu_{n-i}^2}=1 & \end{cases} $$ この式は,ω=γVL,公式 ((15) を以下のように書き換えることができます. $$ シグマn^2= \omega+\sum\limit についてこの2つの要素は,xとyの2乗です. $$ 上の式から,一般的なARCH ((1) プロセスを得ることができます. $$ シグマn^2= \omega+{ \alpha\mu{n-1} ^2}, $$

1.3GARCHプロセス

GARCH (p,q) モデルは,ARCH§とEWMA (q) モデルの組み合わせであり,波動率は前p期利益だけでなく,前q期自身にも関係していることを意味する. $$ シグマn^2= \omega+\sum\limit について{i=1}^m { \alpha_i\mu_{n-i} ^2}+\sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2} $$ この式では,一般的なGARCH ((1,1) を得ることができます. $$ \begin{cases}\sigma についてn^2= \omega+{ \alpha\muこの2つの例では,この2つの例は $$

2つのQRモジュール

この領域では,基本的な分数回帰について説明し,戦略的な分数の重要性を説明します.

2.1 QR定義

分数回帰は,回帰変数 X の集合と解釋される変数 Y の分数の間の線形関係を推定するモデリング方法である. 以前の回帰モデルは,実際には解釋される変数の条件を研究する期待である.また,変数の解釋される変数分布の中位数,分位数との関係を説明することに関心がある.これは最初にコエンカーとバセットによって提案された.1978年.OLS回帰推定の計算は最小化残差平方に基づいている.分数回帰推定の計算は,非対称形式の絶対値残差最小化に基づいている.中位数回帰では,最小絶対差値推定 (LAD,least absolute deviations estimator) が使用されている.

2.2 OLSからQR

一般的な回帰方法は最小二乗,すなわち最小の誤差の平方和である. $$ 微分 \sum{({y_i- \widehat{y}これは,x^2です. $$ 分位数の目標は,上記の式に基づいて,最小化された加重の誤差の絶対値と: $$ \mathop{\arg\min} は,ここでは,微積分は,微積分が,微積分が,微積分が,微積分が,微積分が $$

2.2 QR可視化

この回帰線は分位線になります. この回帰線は分位線になります.

3.GARCH-QRが戻ってきた

市場未知の波動率sigmaと分数QまたはVaRを回帰して,将来の確率で波動の値を予測することは可能かと考えた.

3.1 波動率とVaRの回帰形式を選択する

戦略の核心に関わるので,私は一時的な形式を挙げて,考え方を説明します. $$ VaR=\epsilon+W^TE\E=(\zeta,\zeta^2,\zeta^3,\zeta^4) \W=(W_1,W_2,W_3,W_4) $$

3.2 目標関数を定義する

この情報に基づいて,組み合わせた結果,最終的な最適化対象関数が得られます. $$ \widehat{W}=\mathop{\arg\min_W}\ \sum{[{\alpha(VaR_t-W^TE_t) ^++(1-\alpha) ((W^TE_t-VaR_t) ^+ }]} $$

3.3 機械学習を用いて目標関数を最適化

このステップは比較的に選択性が高く,従来の梯子が下がり,遺伝的なアルゴリズムも利用でき,読者は自分のアイデアで実験することができます.ゲートゲートアルゴリズムのアドレスについて

GQNRを量化に活用する方法

1.思路的确定

GQNRの核心は市場の波動性であり,それぞれの期間の現在の時間点においてGARCHによって次の期間の波動性に対する予測が得られ,一方,過去データからの波動性予測の分位回帰により,大きな確率で超えない波動性限界の上限と下限を得ることができる.この2つの境界は,全体の中心である.上限を触発すると,大きな確率で短期間の反転傾向があり,低い境界を触発すると,大きな確率で短期間の拉致傾向があると考えることができる.

2.运用的难点

• 返還の形をとる
• 適応性アルゴリズムの選択
• 機械学習に適したパラメータ
• 市場の不確実性

3.解决方案

• 戦略学習の時間サイクルを短くする
• 単一投資担保金による長期的リスクの軽減
• 双均線傾向の共同検証と二次値確認を増加させる