Заявление об авторском праве: Если вы хотите перевести код этой статьи, пожалуйста, укажите источник, если вы хотите использовать его для коммерческих целей, пишите в частном порядке или свяжитесь с автором по электронной почте 940648114@qq.com

Первое предложение

Преимущества количественной торговли

Количественная торговля - это субъективное суждение, заменяемое передовыми математическими моделями, использование компьютерных технологий для разработки стратегии, которая позволяет значительно уменьшить влияние колебаний настроения инвесторов и избежать нерациональных инвестиционных решений в условиях крайней фанатичности или пессимизма рынка. В связи с непрерывностью торговли цифровыми валютами круглосуточно и эффектом количественной торговли с высокой частотой, начало работы на рынке цифровых валют, очевидно, является хорошим отправной точкой для количественной торговли. В настоящее время рынок цифровых валют остается незрелым. В системе торговли платформы по-прежнему случаются сбои, к-линейные розетки, что также является риском для количественной торговли.

Второе, представление о модели GQNR

Эта модель основана на модели прогнозирования волатильности Garch, которая использует нелинейные регрессии, например, GA, чтобы предсказать верхний предел VaR и нижний предел VaR в следующем цикле в будущем.

1.Garch模块

В этом разделе будет подробно представлено выводы из основ стратегии Garch, которая имеет определенную универсальность на финансовых рынках и может достичь определенного прогнозного эффекта на цифровых валютах.

1.1 Garch определение

Суть ARCH-модели заключается в том, чтобы использовать q-степени движущейся плавности для приспособления к текущим значениям дифференциальных функций с использованием последовательности квадратов остатков. Поскольку модель движущегося среднего имеет q-степенированную конечность к коррелятивным коэффициентам, ARCH-модель фактически применяется только к коротким коррелятивным коэффициентам к коррелятивным коэффициентам к дифференциальным функциям. Однако в практике некоторые последовательности остатков имеют длительную самоотносительность, и при использовании моделей ARCH для соответствия дифференциальным функциям возникает высокий показатель скопления, что увеличивает сложность оценки параметров и, в конечном итоге, влияет на точность соответствия моделей ARCH. Для исправления одной проблемы была предложена общая модель дифференциальной зависимости от условий регрессии, которая была обозначена как GARCH ((p,q). GARCH-модель фактически является основой ARCH, которая формируется путем увеличения регрессивности p-степени, учитывающей дифференциальную функцию, которая может эффективно сочетаться с дифференциальными функциями, имеющими длительную память. ARCH-модель является примером модели GARCH, где p = 0.

1.2 Процесс ARCH

Определение σn заключается в том, что если оценить волатильность активов в n-м торговых циклах на n-1 торговый цикл, а mu - дневную доходность, то можно сделать непредвзятую оценку на основе доходности на ближайшие m торговых циклов: $$ \sigman^2= \frac{1}{m-1} \sum\limits{i=1}^m {({ \mu_{n-i}- \overline{\mu} }) ^2}, $$ Сделайте следующие изменения: 1 заменит μn-i на процентную доходность; 2 заменит m-1 на m; 3 предположим, что μ = 0, и эти изменения не повлияют на результат. $$ \sigman^2= \frac{1}{m} \sum\limits{i=1}^m { \mu_{n-i} ^2}, $$ То есть квадрат колебаний в каждом цикле имеет равный вес 1/m. Поскольку для оценки текущей колебания данные, находящиеся на близком расстоянии, должны иметь более высокий вес, то вышеуказанную формулу можно изменить на: $$ \sigman^2= \sum\limits{i=1}^m { \alpha_i\mu_{n-i} ^2}, $$ αi - это коэффициент квадрата доходности i торгового цикла, положительное значение и чем меньше i, тем больше значение, сумма взвешенности равна 1; далее распространение, предполагая существование длительного дифференциала VL, с соответствующим весом γ, можно получить согласно вышеуказанному формуле:

$$ Сначала.n^2= \ гамма V{L}+\sum\limits_{i=1}^m { \alpha_i\mu_{n-i} ^2}\ &\ \gamma+\sum\limits_{i=1}^m{\alpha_i\mu_{n-i}^2}=1 & \end{cases}, $$ Таким образом, формулу ((15) можно переписать как: $$ \sigman^2= \omega+\sum\limits{i=1}^m { \alpha_i\mu_{n-i} ^2}, $$ В соответствии с приведенным выше, мы можем получить обычный процесс ARCH ((1) $$ \sigman^2= \omega+{ \alpha\mu{n-1} ^2}, $$

1.3 Процесс GARCH

Модель GARCH ((p,q) - это сочетание моделей ARCH§ и EWMA ((q), что означает, что волатильность связана не только с доходами до периода p, но и с доходами до периода q, и выражена следующим образом: $$ \sigman^2= \omega+\sum\limits{i=1}^m { \alpha_i\mu_{n-i} ^2} + \sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2} $$ В соответствии с вышеприведенной формулой мы можем получить обычные ГАРЧ ((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 QR-модуля

В этом разделе будут рассмотрены основные дефицитальные регрессии и описана важность стратегических дефицитов.

2.1 Определение QR

Дефицитальная регрессия - это метод моделирования оценки линейных отношений между набором регрессионных переменных X и дефицитами интерпретируемой переменной Y. Предыдущая модель регрессии была фактически условием ожидания для исследования объясняемых переменных. Также интересовалась объяснением отношений переменных к средним числам, дефиците, в распределении объясняемых переменных. Она была первоначально предложена Коенкером и Бассетом (англ. Koenker and Bassett, 1978).

2.2 От OLS к QR

Общим методом регрессии является минимальное двойное умножение, то есть сумма квадратов с минимальными ошибками: $$ min \sum{({y_i- \widehat{y}И мы можем сделать это. $$ Целью дифференциации является минимизация абсолютных значений ошибок при взвешивании на основе вышеуказанной формулы и: $$ \mathop{\arg\min\beta}\ \sum{[{\tau(y_i-X_i\beta) ^++(1-\tau) \(X_i\beta-y_i) ^+ }]} $$

2.2 QR-визуализация

Вы видите, что все образцы разделены регрессивной линией на разные пространства, и эта регрессивная линия также становится дифференциальной линией.

3. возвращение GARCH-QR

Естественно, мы задумываемся о том, можно ли сделать регресс с использованием неизвестной волатильности Sigma и дефицита Q или VaR, чтобы предсказать волатильный порог в будущих вероятностях, и этот сектор будет развиваться в этом направлении.

3.1 Выбор формы регрессии волатильности и VaR

Поскольку здесь речь идет о стратегическом ядре, я покажу форму, чтобы проиллюстрировать мысль. $$ VaR=\epsilon+W^TE\E=(\zeta,\zeta^2,\zeta^3,\zeta^4) \W=(W_1,W_2,W_3,W_4) $$

3.2 Определение целевой функции

На основании этой информации, мы можем сделать комбинацию, чтобы получить конечную оптимальную целевую функцию: $$ \widehat{W}=\mathop{\arg\min_W} \ \sum{[{\alpha(VaR_t-W^TE_t) ^++(1-\alpha) ((W^TE_t-VaR_t) ^+ }]} $$

3.3 Оптимизация целевых функций с помощью машинного обучения

Этот шаг является более выборным, традиционные ступеньки снижаются, а также генетические алгоритмы, читатели могут использовать свои собственные идеи для экспериментов. Здесь используется оптимизированный алгоритм GA, который был подробно описан в другом своем блоге, и больше не работает.Есть информация об адресе алгоритма GA

В-третьих, как использовать GQNR в количественной оценке.

1.思路的确定

В основе GQNR лежит волатильность рынка, в текущем точке времени каждого периода можно предсказать прогноз волатильности на следующий период с помощью ГАРЧ, а с другой стороны, с помощью прошлых данных прогнозируемых волатильностей можно получить regression дефицита, который позволяет получить верхнюю границу и нижнюю границу волатильности, которые в большинстве случаев не будут превышены. Эти две границы являются центральными для целого.

2.运用的难点

• Принятие формы возвращения
• Выбор адаптивного алгоритма
• Правильные параметры для машинного обучения
• Неопределенность рынка

3.解决方案

• Сокращение цикла стратегического обучения
• Снижение долгосрочного риска, связанного с долгосрочным риском, связанным с единоличным размещением.
• Увеличение совместной проверки двойных уравнительных тенденций и подтверждения вторичных порогов