Declaração de direitos autorais: se quiser copiar o código deste artigo, indique a origem, se for para uso comercial, escreva um artigo por e-mail privado ou entre em contato com o autor pelo e-mail: 940648114@gmail.comqq.com

Primeira frase:

Os benefícios da transação quantitativa

Negociação quantitativa é o uso de modelos matemáticos avançados para substituir o julgamento subjetivo, utilizando a tecnologia computacional para criar estratégias para a escolha de eventos de grande probabilidade que podem gerar ganhos exorbitantes a partir de grandes volumes de dados históricos, reduzindo drasticamente o impacto das flutuações de sentimentos dos investidores e evitando decisões de investimento irracionais em situações de mercado extremamente frenético ou pessimista. Devido à continuidade do mercado de negociação de moedas digitais 24 * 7 horas sem interrupção, e os negócios quantificados podem atingir o efeito de negociação de alta frequência, começar no mercado de moedas digitais é claramente um bom ponto de partida para a quantificação. Atualmente, o mercado de moedas digitais ainda é imaturado. Os buracos do sistema de negociação de plataformas, os conectores de linha k ainda aparecem de vez em quando e também são um risco para a negociação quantificada.

2o, Introdução ao modelo GQNR

Este modelo é baseado no modelo de previsão de volatilidade do Garch, que usa o valor de VaR da previsão de volatilidade através de regressão por divisores e, em seguida, usa regressões não-lineares, como a GA para fazer uma combinação para prever o VaR superior e o VaR inferior no próximo ciclo futuro. O modelo de método é simplificado como GQNR no contexto.

1.Garch模块

Este segmento irá apresentar em detalhes a dedução do núcleo da estratégia Garch, um método que tem uma certa universalidade nos mercados financeiros e pode atingir um certo efeito de previsão em moedas digitais.

1.1 Garch definição

A essência do modelo ARCH é adaptar os valores da função de diferença de diferença de momento para o deslocamento do grau q usando uma sequência de quadrados de residuos. Como o modelo de média móvel possui um deslocamento do grau q dos coeficientes correlatos, o modelo ARCH é praticamente aplicável apenas aos coeficientes correlatos de curto prazo dos coeficientes correlatos do grau q dos coeficientes correlatos. No entanto, na prática, as funções de diferença heterogênea de algumas séries de parâmetros são auto-relacionadas a longo prazo, o que resulta em altos números de escala de médias móveis, aumentando a dificuldade de estimar os parâmetros e, finalmente, afetando a precisão de ajustamento do modelo ARCH. Para corrigir um problema, propõe-se um modelo de diferença de diferença geral de regressão condicional, que é abreviado como GARCH ((p, q). O modelo GARCH é, na verdade, baseado no ARCH, que aumenta a regressão do estágio p considerando funções de diferença de diferença, que pode ser efetivamente combinado com funções de diferença de diferença com memória de longo prazo. O modelo ARCH é um exemplo do modelo GARCH, o modelo GARCH ((p, q) onde p = 0).

1.2 Processo ARCH

A definição de σn é a estimativa da volatilidade do ativo no n-ésimo ciclo de negociação, mu é a taxa de retorno diária, então pode ser estimada de forma imparcial com base na taxa de retorno no m mais recente ciclo de negociação: $$ Sim, sim, sim.N ^ 2 = \frac{1}{m-1} \sum\limits{i=1}^m {({ \mu_{n-i}- \overline{\mu} }) ^2}, $$ Faça as seguintes mudanças: 1 troca μn-i por percentagem de retorno; 2 troca m-1 por m; 3 assume μ = 0, e essas mudanças não afetam muito o resultado. De acordo com a fórmula acima, a volatilidade pode ser simplificada para: $$ Sim, sim, sim.n^2= \frac{1}{m} \sum\limitsEntão, se eu fizer uma comparação, então eu vou fazer uma comparação, então eu vou fazer uma comparação. $$ Ou seja, o quadrado da taxa de flutuação de cada ciclo tem um peso igual a 1/m. Como é uma estimativa da taxa de flutuação atual, dados próximos devem ser atribuídos um maior peso. $$ Sim, sim, sim.N ^ 2 = \ soma \ limitesEntão, o que é o número de bits que temos? $$ αi é o coeficiente do quadrado do rendimento do primeiro ciclo de negociação, corrigido com um valor positivo e o menor i, maior o valor, com um peso de soma igual a 1; propagando-se ainda mais, assumindo que existe um diferencial de longo prazo VL, com um peso correspondente de γ, pode-se obter a seguinte fórmula:

- Não. Começando os casos.N ^ 2 = \ gama 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}, $$ Assim, a fórmula ((15) pode ser reescrita como: $$ Sim, sim, sim.N ^ 2 = \ omega + \ soma \ limitesEntão, o que é o número de bits que temos? $$ De acordo com a fórmula acima, podemos obter o processo comum ARCH ((1) $$ Sim, sim, sim.N ^ 2 = \ omega + { \ alfa \ mu{n-1} ^2}, - Não.

1.3 Processo GARCH

O modelo GARCH ((p,q) é uma combinação do modelo ARCH§ e do modelo EWMA ((q), o que significa que a volatilidade está relacionada não apenas com o ganho do período anterior p, mas também com o período anterior q, expressado da seguinte forma: $$ Sim, sim, sim.N ^ 2 = \ omega + \ soma \ limites{i=1}^m { \alpha_i\mu_{n-i} ^2} + \sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2}, $$ De acordo com a fórmula acima, podemos obter o comum GARCH ((1, 1)): $$ \begin{cases}\sigmaN ^ 2 = \ omega + { \ alfa \ mu{n-1} ^2+\beta\sigma_{n-1}^2}\&\ \qquad\alfa+\beta+\gamma=1 & \end{cases}, - Não.

2 módulos QR

Este bloco irá explicar a regressão básica dos divisores e descrever a importância dos divisores estratégicos.

2.1 Definição de QR

A regressão de divisores é um método de modelagem que estima a relação linear entre um conjunto de variáveis de regressão X e os divisores da variável Y interpretada. O modelo de regressão anterior é basicamente uma expectativa condicional para o estudo das variáveis interpretadas; e também se preocupa em explicar como as variáveis se relacionam com o número médio da distribuição das variáveis interpretadas. Foi proposto pela primeira vez por Koenker e Bassett (1978). O cálculo da estimativa de regressão OLS baseia-se no quadrado de minimização de desvios.

2.2 De OLS para QR

O método de regressão geral é o mínimo de duplicação, ou seja, o quadrado do mínimo de erro é o sumário: $$ Min \sum{({y_i- \widehat{y}Então vamos ver se podemos fazer isso. $$ O objetivo do divisor é minimizar o valor absoluto do erro ponderado com base na fórmula acima e: $$ \mathop{\arg\min\beta}\ \sum{[{\tau(y_i-X_i\beta) ^++(1-\tau) \(X_i\beta-y_i) ^+ }]} - Não.

2.2 Visualização QR

Como podem ver, todas as amostras são divididas por linhas de regressão em diferentes espaços, e esta linha de regressão também se torna uma linha de divisão.

3. GARCH-QR regressou

É natural pensarmos se é possível fazer uma regressão com sigma de volatilidade desconhecida do mercado e o divisor Q, ou VaR, para prever o limiar de volatilidade em caso de probabilidade futura.

3.1 Escolha a forma de regressão da taxa de flutuação e VaR

Como o núcleo da estratégia está envolvido aqui, eu vou usar uma forma temporária para ilustrar a ideia. $$ VaR=\epsilon + W^TE\E=(\zeta, \zeta^2, \zeta^3, \zeta^4) \W=(W_1, W_2, W_3, W_4) $$

3.2 Determinação de funções de destino

Com base nas informações acima, podemos combiná-las para obter a função alvo final a ser otimizada: $$ \widehat{W}=\mathop{\arg\min_W}\ \sum{[{\alpha(VaR_t-W^TE_t) ^++(1-\alpha) ((W^TE_t-VaR_t) ^+ }]} $$

3.3 Optimização de funções de destino usando aprendizado de máquina

Este passo é mais opcional, a tradição de descida de gradiente, também pode ser um algoritmo genético, e os leitores podem experimentar suas próprias ideias.Há algo sobre o endereço do algoritmo GA

3) Como usar o GQNR na quantificação

1.思路的确定

O núcleo do GQNR está na volatilidade do mercado, e em cada ponto de tempo atual, pode-se prever a previsão da volatilidade para o próximo período através do GARCH, e, por outro lado, através do regresso de frações de dados anteriores para a previsão da volatilidade, é possível obter um limite superior e um limite inferior dos fluctuantes que não serão excedidos em grande probabilidade. E essas duas fronteiras são o núcleo do todo. Uma vez que o limite superior é desencadeado, podemos considerar uma tendência de retorno no curto prazo em grande probabilidade, uma vez que o limite inferior é desencadeado, podemos considerar uma tendência de aumento no curto prazo em grande probabilidade.

2.运用的难点

• Tomar a forma de regressar
• Escolha de algoritmos adaptativos
• Parâmetros apropriados de aprendizagem de máquina
• A incerteza do mercado é aleatória

3.解决方案

• Reduzir o ciclo de aprendizagem estratégica
• Reduzir o risco de resistência a longo prazo
• Aumentar a co-verificação de tendências de dupla linha uniforme e a confirmação de prazos secundários