저작권 선언: 이 기사의 코드를 재배치하려면 출처를 기재하십시오. 상업적 용도로 기사를 작성하는 경우 개인 편지 또는 저자와 연락하십시오. 메일 주소: 940648114@qq.com

1. 서론

양자 거래의 장점

양적 거래 (quantitative trading) 는 첨단 수학적 모델이 대안으로 인적 인적 판단을 의미하며, 컴퓨터 기술을 사용하여 거대한 역사적 데이터에서 해양 선택이 과잉 수익을 가져올 수 있는 여러 종류의 ?? 확률 ?? 이벤트를 전략적으로 개발하여 투자자의 감정 변동의 영향을 크게 줄이고, 시장의 극심한 열광이나 낙관주의 상황에서 비합리적인 투자 결정을 피한다. 디지털 화폐로 인해 24*7시간 연속 거래 시장의 연속성, 그리고 양적 거래는 고주파 거래의 효과에 도달할 수 있다. 디지털 통화 시장에서 시작하는 것은 분명히 양적화의 좋은 시작이다. 현재 디지털 통화 시장은 아직 미숙하다. 플랫폼 거래 시스템의 충돌, k선 플러그인은 여전히 가끔 발생하며, 양적 거래에 대한 위험도 있다.

2 GQNR 모델 설명

         이 모델은 가르치 모델에 기반하여 변동률을 예측하고, 분수 회귀를 통해 변동률을 예측하는 VaR 값을 이용한 비선형 회귀, 예를 들어 GA를 함축하여 미래의 다음 주기에서 상위 VaR과 하위 VaR을 예측합니다. 후에서 이 방법 모델을 GQNR로 간단히 니다.

1. Garch 모듈

        이 섹션에서는 전략 가르치의 핵심 추론에 대해 자세히 설명할 것입니다. 이 방법은 금융 시장에서 어느 정도 보편적이며, 디지털 통화에서 어느 정도 예측 효과를 얻을 수 있습니다.

1.1 가르치 정의

        ARCH 모델의 본질은 잔여차원 계열의 q 단계 이동 평면이 현재 이차함수의 값에 적합하다는 것입니다. 이동 평균 모델이 자기관계 계수 q 단계 절단성을 가지고 있기 때문에 ARCH 모델은 실제로 이차함수의 단기 자기관계 계수에만 적합합니다.          그러나 실무에서, 일부 잔여 시퀀스의 이차 함수는 장기적으로 자관성이 있다. 이 경우 ARCH 모델에 적합 한 이차 함수를 사용하면, 매우 높은 이동 평균을 생성하여, 파라미터를 추정하는 데 어려움이 증가하고 결국 ARCH 모델의 적합 정확성에 영향을 미칩니다.          문제점을 수정하기 위해, 범용 자기 회귀 조건형 이차 모형이 제안되었으며, 이 모형은 GARCH (p,q) 로 줄여졌다.         GARCH 모델은 실제로 ARCH의 기초를 기반으로, 이차함수를 고려하는 p 계의 자기 회귀성으로 형성되며, 이는 장기 기억을 가진 이차함수를 효과적으로 적합하게 할 수 있다. ARCH 모델은 GARCH 모델의 한 예이며, p=0의 GARCH (p,q) 모델이다.

1.2 ARCH 프로세스

        정의 σn는 n-1 거래주기에 자산의 변동률을 추정하고, mu는 하루 수익률이다. 그러면 가장 최근의 m 거래주기의 수익률에 따라 편견 없는 추정을 할 수 있다: $\( \sigma *n^2= \frac{1}{m-1} \sum\limits*{i=1}^m {( { \mu_{n-i}- \overline{\mu} } ) ^2}, \)\(         아래와 같은 변화를 만들어 1은 μn-i를 수익률으로 바꾸고, 2은 m-1을 m로 바꾸고, 3은 μ=0을 가정하고, 이러한 변화는 결과에 큰 영향을 미치지 않는다. 위 식에 따라 변동률은 다음과 같이 단순화될 수 있다. \)\( \sigma *n^2= \frac{1}{m} \sum\limits*{i=1}^m { \mu_{n-i} ^2}, \)\(          즉, 각 주기의 변동률의 제곱은 동등한 무게 1/m를 가지고 있으며, 현재 변동률을 추정하기 때문에 가까운 거리의 데이터에 더 높은 무게를 부여해야 합니다. \)\( \sigma *n^2= \sum\limits*{i=1}^m { \alpha_i\mu_{n-i} ^2}, \)$         αi 는 i 거래주기의 수익률의 제곱의 계수이며, 양수와 i의 값이 작을수록, 무게의 합은 1이다. 더 나아가서, 장기차율 VL이 존재하고, 그에 대응하는 무게는γ라고 가정하면, 위의 식에 따라 얻을 수 있다:

\[ \begin{cases}\sigma *n^2= \gamma V*{L}+\sum\limits_{i=1}^m { \alpha_i\mu_{n-i} ^2}\ &\ \gamma+\sum\limits_{i=1}^m{\alpha_i\mu_{n-i}^2}=1 & \end{cases} , \]

        令ω=γVL,公式(15) 는 다음과 같이 변형될 수 있다. $\( \sigma *n^2= \omega+\sum\limits*{i=1}^m { \alpha_i\mu_{n-i} ^2}, \)\(         위의 식을 통해 우리는 일반적인 ARCH () 1 과정을 얻을 수 있습니다. \)\( \sigma *n^2= \omega+{ \alpha\mu*{n-1} ^2}, \)$

1.3 GARCH 프로세스

          GARCH (p,q) 모델은 ARCH (p) 와 EWMA (q) 모델의 조합으로, 변동률이 전 p 기간의 수익뿐만 아니라 자체 전 q 기간과 관련이 있다는 의미로, 다음과 같이 표현된다: $\( \sigma *n^2= \omega+\sum\limits*{i=1}^m { \alpha_i\mu_{n-i} ^2}+\sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2}, \)\(         위의 식을 통해 우리는 일반적인 GARCH ((1,1)) 를 얻을 수 있습니다. \)\( \begin{cases}\sigma *n^2= \omega+{ \alpha\mu*{n-1} ^2+\beta\sigma_{n-1}^2}\&\ \qquad\alpha+\beta+\gamma=1 & \end{cases} , \)$

2 QR 모듈

        이 섹션에서는 기본 분수 회귀를 설명하고 전략적 분수의 중요성을 설명합니다.

2.1 QR 정의

        분수 회귀는 회귀 변수 X의 집합과 해석되는 변수 Y의 분수 사이의 선형 관계를 추정하는 모델링 방법이다.          이전 회귀 모델은 실제로 설명되는 변수의 조건적 기대를 연구하는 것이다. 또한 사람들은 설명되는 변수가 설명되는 변수 분포의 중간값과 어떤 관계가 있는지에 대해서도 관심을 갖는다. 그것은 Koenker와 Bassett가 1978년에 처음 제안했다. OLS 회귀 추정치의 계산은 최소화 장애물 제곱을 기반으로 한다.

2.2 OLS에서 QR

        일반적인 회귀 방법은 최소의 두 번째 곱셈, 즉 최소화 오류의 제곱의 합입니다: $\( min \sum{({y_i- \widehat{y}*i })}^2 \)\(         분수의 목표는 위의 공식에 기초하여 가중된 오차의 절대값을 최소화하고: \)\( \mathop{\arg\min*\beta}\ \ \sum{[{\tau(y_i-X_i\beta)^++(1-\tau)(X_i\beta-y_i) ^+ }]} \)$

2.2 QR 시각화

모든 샘플이 다른 공간으로 회귀하는 회귀선이 있고, 이 회귀선은 분기선입니다.

3. GARCH-QR 회귀

         우리는 자연스럽게 시장의 알 수 없는 변동률 시그마와 분수 Q 즉 VaR을 회귀하여 미래의 확률 상황에서 변동 하락을 예측할 수 있는지 궁금해합니다.

3.1 변동률과 VaR의 회귀 형태를 선택

이 글은 전략의 핵심에 관한 것이기 때문에, 저는 이 글의 내용을 설명하기 위해 한 가지 형태를 보여드리겠습니다. $\( VaR=\epsilon+W^TE\E=(\zeta,\zeta^2,\zeta^3,\zeta^4)\W=(W_1,W_2,W_3,W_4) \)$

3.2 목표 함수를 결정한다

        위의 정보에 따라, 우리는 조합 후 최종적으로 최적화 될 목표 함수를 얻을 수 있습니다: $\( \widehat{W}=\mathop{\arg\min_W}\ \ \sum{[{\alpha(VaR_t-W^TE_t)^++(1-\alpha)(W^TE_t-VaR_t) ^+ }]} \)$

3.3 기계 학습을 사용하여 목표 함수의 최적화

        이 단계는 선택이 많고, 전통적인 등급이 낮아지고, 유전적인 알고리즘도 사용할 수 있으며, 독자들은 자신의 창의성을 발휘하여 실험을 할 수 있습니다.그리고 그 다음에는

3 GQNR를 어떻게 활용할 것인가

1. 생각의 확립

        GQNR의 핵심은 시장의 변동성인데, 각각의 현재 시점에서, GARCH를 통해 다음 시기의 변동성에 대한 예측을 할 수 있고, 다른 한편으로, 과거 데이터를 통해 변동성의 소수 회귀를 할 수 있다.

2. 사용의 어려움

• 회귀의 형태를 취하는
• 적응성 알고리즘 선택
• 기계 학습에 적합한 매개 변수
• 시장의 불확실성과 무작위성

3. 해결책

• 전략 학습의 시간주기를 단축합니다.
• 단 하나 지분 보증금의 장기적 위험성을 낮추는 것
• 더 많은 쌍평평선 트렌드 공동 검증과 2차 하락 확인