Saya selalu bertanya-tanya apakah ada yang menggunakan model switching rezim dengan sukses dalam peramalan atau perdagangan. Akademisi telah lama membahas topik ini secara mendalam, seperti menggunakan model Regime Switching untuk mendeteksi dislokasi pasar mendadak atau perubahan struktural. Teknik populer meliputi pemodelan proses yang mendasari sebagai Proses Markov dengan distribusi tertentu, dan menggunakan model tersebut untuk memperkirakan matriks probabilitas transisi. Premis pendekatan ini menarik: jika kita dapat menerapkan pendekatan yang berbeda berdasarkan rezim pasar yang berbeda, maka proses pemodelan dapat mencerminkan kenyataan dengan lebih baik. Namun, seperti model lainnya, keandalan model seperti itu tidak meyakinkan. Secara pribadi, saya telah mencoba menerapkan beberapa model saklar rezim yang diajukan oleh akademisi dan menguji kekuatan penjelasan mereka untuk mendeteksi pergeseran pasar (seperti pergeseran siklus, tingkat volatilitas, dll), namun hasilnya selalu mengecewakan. Bisakah teman-teman di sini berbagi pendapat Anda Cheers. Tanya 25 Jun 14 di 12: 28Trading menggunakan Ramalan Volatilitas Garch Quantum Financier menulis sebuah artikel menarik Sistem Peralihan Regim Menggunakan Prakiraan Volatilitas. Artikel ini menyajikan algoritma yang elegan untuk beralih antara strategi pengembalian mean-reversion dan trend berikut berdasarkan volatilitas pasar. Dua model diperiksa: satu menggunakan volatilitas historis dan yang lainnya menggunakan Prakiraan Volatilitas Garch (1,1). Strategi pembalikan mean dimodelkan dengan RSI (2): Panjang bila RSI (2), dan Pendek sebaliknya. Strategi mengikuti tren dimodelkan dengan crossover SMA 50200: Panjang saat SMA (50) gt SMA (200), dan Pendek sebaliknya. Saya ingin menunjukkan bagaimana menerapkan gagasan ini menggunakan perpustakaan backtesting di Systematic Investor Toolbox. Mengikuti kode memuat harga historis dari Yahoo Fiance dan membandingkan kinerja strategi Buy and Hold, Mean-Reversion, dan Trend-Following dengan menggunakan backtesting library di Systematic Investor Toolbox: Selanjutnya, mari ciptakan strategi yang beralih antara mean-reversion and trend. - mengikuti strategi berdasarkan volatilitas pasar historis. Selanjutnya, mari kita buat GARAM (1,1) Volatilitas Forecast. Saya akan merekomendasikan membaca artikel berikut untuk siapa saja yang ingin mengetahui apa itu GARCH atau untuk menyegarkan pengetahuan mereka: GARCH (1,1) oleh David Harper 8211 sebuah artikel pengantar yang sangat bagus dengan banyak diagram visual. Masalah Praktis dalam Model GARCH Univariat dengan Y. Chalabi, D. Wurtz 8211 contoh langkah demi langkah model GARCH (1,1) pas dengan kode R penuh. Pengantar Dasar GARCH oleh Quantum Financier 8211 adalah serangkaian posting yang membahas rincian dan asumsi GARCH dan EGARCH. Ada beberapa paket R yang sesuai dengan model GARCH. Saya akan mempertimbangkan fungsi garmen dari paket tseries dan fungsi garchFit dari paket fGarch. Fungsi garch dari paket tseries cepat tapi tidak selalu menemukan solusinya. Fungsi garchFit dari paket fGarch lebih lambat namun konvergen lebih konsisten. Untuk menunjukkan perbedaan kecepatan antara fungsi garch dan fungsi garchFit saya membuat tolok ukur sederhana: Fungsi garchFit rata-rata 6 kali lebih lambat daripada fungsi garmen. Jadi untuk meramalkan volatilitas saya akan mencoba menggunakan fungsi garmen kapanpun bisa menemukan solusi dan fungsi garchFit sebaliknya. Sekarang, mari kita ciptakan strategi yang beralih antara strategi pengembalian mean-reversion dan trend berikut berdasarkan perkiraan volatilitas GARCH (1,1). Strategi switching yang menggunakan perkiraan volatilitas GARCH (1,1) sedikit lebih baik daripada volatilitas historis. Ada banyak pendekatan berbeda yang dapat Anda lakukan untuk memasukkan peramalan ke dalam model dan strategi trading Anda. R memiliki paket yang sangat kaya untuk model dan perkiraan deret waktu. Berikut adalah beberapa contoh yang menurut saya menarik: Untuk melihat kode sumber yang lengkap untuk contoh ini, lihat fungsi bt. volatility. garch () di bt. test. r di github. Jangan pernah ketinggalan update Berlangganan R-blogger untuk menerima e-mail dengan posting R terbaru. (Anda tidak akan melihat pesan ini lagi.) Saya membaca dengan minat sebuah makalah yang lebih tua Dapatkah Model Switchov Markov Memprediksi Pengembalian Devisa Luar Biasa oleh Dueker dan Neely dari Federal Reserve Bank of St. Louis. Saya menyukai model Markov tersembunyi karena keberhasilannya dalam aplikasi pengenalan suara, namun saya akui bahwa saya tidak pernah dapat membuat model HMM yang melebihi indikator teknis sederhana. Saya menyalahkan bahwa baik karena kekurangan kreativitas saya sendiri maupun kenyataan bahwa HMM cenderung memiliki terlalu banyak parameter yang perlu disesuaikan dengan data historis, yang membuatnya rentan terhadap bias pengucapan data. Makanya saya mendekati tulisan ini dengan harapan besar para ahli bisa mengajari saya bagaimana menerapkan HMM dengan benar untuk dibiayai. Tujuan dari model ini sederhana: untuk memprediksi kelebihan pengembalian nilai tukar selama periode 8 hari. (Kelebihan return dalam konteks ini diukur dengan perubahan nilai tukar dikurangi perbedaan tingkat bunga antara mata uang dasar dan kutipan dari pasangan mata uang). Jika return kelebihan yang diharapkan lebih tinggi dari ambang batas (disebut filter di kertas), Lalu pergi lama. Jika lebih rendah dari ambang yang lain, jempol. Meski prediksi tersebut dalam pengembalian 8 hari, keputusan trading dibuat setiap hari. Kelebihan return diasumsikan memiliki distribusi student-t 3-parameter. 3 parameternya adalah mean, derajat kebebasan, dan skala. Parameter skala (yang mengendalikan varians) dapat beralih antara nilai tinggi dan rendah berdasarkan model Markov. Tingkat kebebasan (yang mengendalikan kurtosis, a. k.a. ketebalan ekor) juga dapat beralih di antara 2 nilai berdasarkan model Markov lainnya. Mean secara linear bergantung pada nilai yang diasumsikan oleh tingkat kebebasan dan skala serta variabel Markov lainnya yang beralih di antara 2 nilai. Oleh karena itu mean bisa mengasumsikan 8 nilai yang berbeda. Model 3 Markov bersifat independen. Distribusi siswa-t lebih sesuai untuk pemodelan pengembalian finansial daripada distribusi normal karena tunjangan untuk ekor berat. Para penulis juga percaya bahwa model ini menangkap peralihan antara periode volatilitas tinggi dan rendah, dengan perubahan preferensi (return mean) yang berbeda-beda untuk mata uang yang aman versus berisiko, sebuah fenomena yang ditunjukkan dengan baik pada periode antara Agustus 2011 sampai Januari 2012. Parameter model Markov dan distribusi student-t diperkirakan dalam periode di-sampel (1974-1981) untuk setiap pasangan mata uang untuk meminimalkan deviasi kumulatif dari kelebihan return dari nol. Ada total 14 parameter yang jadi perkiraan. Setelah estimasi ini, kita juga harus memperkirakan 2 batas perdagangan dengan memaksimalkan pengembalian strategi perdagangan di dalam sampel, dengan asumsi biaya transaksi sebesar 10 basis poin per perdagangan. Dengan jumlah parameter yang besar ini (16 total), saya sangat ingin melihat hasil di luar sampel (1982-2005). Menakjubkan, ini jauh lebih baik dari perkiraan saya: tingkat pengembalian tahunan berkisar antara 1,1 sampai 7,5 untuk 4 pasangan mata uang utama. Rasio Sharpe tidak begitu mengesankan: berkisar antara 0,11 sampai 0,71. Tentu saja, ketika peneliti melaporkan hasil di luar sampel, seseorang harus mengambilnya dengan sebutir garam. Jika hasil out-of-sample lebih baik, mereka tidak akan melaporkannya, dan mereka akan terus mengubah model yang mendasarinya sampai hasil out-of-sample yang baik diperoleh. Jadi, benar-benar siap untuk menerapkan model ini, menerapkannya Ke data setelah tahun 2005 dan ke pasangan mata uang yang lebih banyak, untuk mengetahui apakah benar-benar ada sesuatu di sini. Sebenarnya, inilah alasan mengapa saya lebih memilih untuk membaca makalah yang lebih tua - untuk memungkinkan kemungkinan uji coba out-of-sample yang benar segera. Menurut Anda apa yang dapat dilakukan untuk memperbaiki model ini, saya menduga bahwa sebagai langkah pertama, orang dapat melihat apakah perkiraan negara-negara Markov sesuai dengan apa yang dipikirkan oleh para pedagang sebagai risiko-terhadap rezim berisiko. Jika mereka melakukannya, maka terlepas dari penggunaan model ini sebagai generator sinyal, setidaknya dapat menghasilkan indikator risiko yang baik. Jika tidak, maka mungkin model Markov yang tersembunyi perlu diganti dengan model Markov yang dikondisikan pada indikator yang dapat diamati. 35 komentar: Anda salah ketik dalam judul makalah ini. Kata quotreservequot harus diganti dengan return. Man, saya benar-benar bingung ketika melihat judul yang Anda tulis yang sedang saya pikirkan, mengapa di dunia ada orang yang peduli dengan perkiraan kelebihan cadangan devisa? Komentar Anda tentang kutipan tes sampel dalam makalah penelitian yang tidak terlalu luar biasa. Tepat pada saya tidak berpikir banyak orang memahami masalah yang Anda angkat, dan saya pikir ini adalah poin yang sangat penting. Aagold, terimakasih telah menunjukkan hal itu. Sebenarnya, kesalahan ketik itu ada dalam pracetak awal, karena itulah saya menyalinnya Ernie Ernie, Bukan untuk mempertanyakan kemampuan kuantitatif Anda, namun apakah Anda serius menyarankan sebuah model dengan banyak parameter agar sesuai untuk diterapkan pada perdagangan? Saya katakan ini sebagai pedagang saham Dengan pengalaman industri selama 14 tahun dan menjalankan perusahaan mid to hft saya sendiri. Bagi saya, paper ini adalah nonesense mutlak dan rasio Sharpe yang disebutkan di atas terlalu rendah bahkan dalam contoh mereka sendiri dari samplequot backtests untuk membenarkan pengambilan kertas tersebut dengan serius. AsiaProp, Sebenarnya, 16 parameter itu tidak sebanyak yang mereka nyatakan. 14 dari mereka adalah untuk menyesuaikan seri waktu itu sendiri: mereka tidak bergantung pada strategi perdagangan. Hanya 2 dari parameter yang digunakan untuk mengoptimalkan strategi return. Rasio Sharpe yang dilaporkan dalam penelitian akademis hampir selalu rendah. Jika mereka tinggi, mereka tidak akan dipublikasikan. Tugas kita sebagai pedagang adalah menganggap penelitian tersebut sebagai inspirasi dan men-tweaknya menjadi strategi praktis. Terima kasih lagi atas semua kerja keras anda. Di atas blog dan buku Anda, saya mendapatkan wawasan hebat saat membaca percakapan Anda dengan komentator lain di situs Anda. Di thread komentar sebelumnya dari beberapa hari yang lalu Anda menyebutkan bahwa sebagian besar pengembalian Anda di tahun 2011 berasal dari strategi pengembalian rata-rata di pasar FX. Saya bertanya-tanya apakah Anda menggunakan jenis model switching rezim apa pun dalam perdagangan FX Anda untuk menentukan apakah Anda ingin dialokasikan terutama untuk strategi pembalikan momentum atau pembalikan rata-rata Anda Zack, Tidak, saya tidak menggunakan model switching rezim apapun. Saya tidak pernah menemukan bahwa model ini bekerja di luar sampel. Ernie Apakah Anda pernah membaca tulisan ini sebelumnya, komentar apapun Hi Anon, Tidak, saya tidak melihat kertas itu, tapi akan memasukkannya ke dalam daftar bacaan saya Juga, Chris Neely, penulis makalah yang saya gambarkan, memberi tahu saya makalah lain yang relevan ini: Dan situs webnya: Berbicara dari sudut pandang akademis, alih-alih HMM polos mungkin ada sesuatu seperti Model Entropy Hidden Markov Maksimum yang bisa bekerja lebih baik Dave, Mengapa menurut Anda HMM maksimum akan bekerja lebih baik Tampaknya hanya metode lain untuk memperkirakan Parameter. Ernie saya tidak memiliki bukti empiris dan prediksi keuangan sebenarnya adalah bidang keahlian saya. Hanya saja, dalam beberapa usaha saya menggunakan pembelajaran mesin untuk prediksi keuangan, saya mengetahui bahwa jumlah kebisingan cenderung menguapkan tren yang mungkin dimiliki pasar. Akibatnya kebanyakan peserta didik cenderung tampil sangat buruk, sangat mungkin karena terlalu pas dengan data pelatihan. Jadi salah satu ide saya adalah menggunakan teknik seperti Maximum Entropy untuk mengurangi tingkat over-fitting. Namun, saya belum benar-benar mencoba ini. Hi ernie: Saat ini saya membaca buku Anda yang disebut kuquantitative tradingquot, dan sudah memprogram dan mencoba MATHLAB untuk backtesting. Namun, hasilnya berbeda dengan testerOttimisasi Strategi MetaTrader. Di MT4, saya memiliki ratusan jalur yang sesuai dengan sebagian besar perdagangan nyata saya (untungnya) namun yang terakhir tidak begitu positif. Saya menggunakan dataset yang sama, yang saya lacak dari 2001-2009. Alasan utama mengapa MATHLAB adalah saya ingin menggunakan Sharpe Ratio. Biasanya, di MT4, memilih parameter saya cukup mudah, lugas. Saya memilih yang dengan imbal hasil terbaik sedikit, dan kemudian jalankan salinan terpisah dari mereka. Setelah membaca buku Anda, saya berpikir untuk memilih parameter dengan: 1) Penarikan minimal 2) Hasil terbaik dan tambahkan kriteria ketiga, Sharpe Ratio. Dengan cara ini, saya merasa bisa meningkatkan keuntungan saya, tidak Rumusnya terlihat rumit tapi tetap saja, tidak ada salahnya mencoba. Apa pendapat Anda Dan terima kasih Hai Anon, Bila Anda mengatakan hasil dari Matlab berbeda dari Metatrader, bisakah Anda lebih spesifik Apakah Anda yakin bahwa logika dalam 2 program itu identik? Anda dapat menggunakan rasio Sharpe dalam program yang Anda pilih, tidak harus Matlab. Ini hanya berarti return dibagi dengan standar deviasi. Ernie saya juga berpikir bahwa rasio Sharpe masih bisa digunakan dalam program apapun. Apakah itu benar-benar terbatas pada Mathlab Ernie Chan kata. Hi Anon, Bila Anda mengatakan hasil dari Matlab berbeda dari Metatrader, bisakah Anda lebih spesifik Apakah Anda yakin bahwa logika dalam 2 program itu identik Ya, saya sangat yakin mereka. Ok, saya lebih spesifik. Strategi saya sangat sederhana, tapi menguntungkan (setidaknya untuk saya) - hanya 2 baris logika, 2 parameter bilangan bulat. Saya tidak dapat melihat bagaimana atau mengapa logika sederhana semacam itu sangat berbeda, di antara keduanya. Perbedaannya adalah bahwa di MT4 saya mendapatkan ratusan passing, tapi di MATHLAB, saya hanya mendapatkan sekitar 50 lintasan. Dalam MATHLAB, salah satu dari tes 1 tahun lulus mengembalikan keseimbangan 200K dari modal awal 10K, namun di MT4, saldo berada dalam kisaran 50K-100K, untuk semua lintasan. Satu hal lagi, di MT4, waktu bar dipertimbangkan dalam penguji. Saya tidak perlu memprogram ulang apapun. Tapi di MATHLAB, saya harus memisahkan kumpulan data ini. Mungkin itulah mengapa perbedaan Thx lagi untuk bantuan baik Anda. Hai Ruthstein, Ya, ada kemungkinan kesalahan dalam penyusunan data inilah yang menyebabkan perbedaan. Di Metatrader, data dipasang sebagai bagian dari program. Tapi Matlab adalah platform komputasi umum, seperti kalkulator. Anda harus sangat berhati-hati dalam mempersiapkan data untuk masukan ke Matlab. Ernie Hi ernie, terima kasih banyak atas komentar anda Seseorang membantu saya keluar dengan plug-in untuk bagian waktu dan ada kesalahan yang sangat kecil dalam persiapan waktu di MATHLAB. Meski begitu, hasilnya tetap tidak konsisten. Tapi yang mengejutkan sekarang, Sharpe Ratio hampir sama nilainya untuk 5 undian top drawble namun tidak dalam hal keuntungan. Sisi baiknya, ini membuat pilihan jauh lebih mudah dari sebelumnya, karena saya baru memutuskan dalam hal penarikan yang paling aman, karena rasio sharpe untuk semua itu cukup dapat diterima. Sekali lagi, terima kasih atas bantuan baik Anda dan saya harus mengatakan, buku Anda adalah bacaan yang bagus. Saya tidak ragu lagi bahwa saya membeli kembali buku berikutnya Anda, Hai Ruthstein, saya senang Anda menemukan sebuah bug. Jika logika pemrograman sama di Matlab dan MT, maka satu-satunya alasan hasilnya bisa berbeda adalah input data yang salah. Ernie Ernies, kapan Anda datang ke Amerika Serikat untuk mengajar kelas Perdagangan Kuantitatif Anon, terserah kepada penyelenggara lokakarya, majalah Analis Teknis. Jika Anda tertarik, mintalah lokakarya New York atau Chicago di trainingtechnicalanalyst. co. uk Ernie Hai, tolong kirimkan link ke Blog Anda di Komunitas Perdagangan Mata Uang Anggota kami akan menghargainya. Anggota meliputi: Pedagang Mata Uang, Ahli Forex Mata Uang dan Forex dan Profesional. Ini mudah dilakukan, cukup potong dan tempelkan linknya dan secara otomatis terhubung kembali ke situs Anda. Anda juga bisa menambahkan Artikel, Berita dan Video jika Anda mau. Email saya jika Anda memerlukan bantuan atau ingin saya melakukannya untuk Anda. Silahkan berbagi sesering yang Anda suka. Komunitas Perdagangan Mata Uang: vortscurrencies Saya harap Anda mempertimbangkan untuk berbagi dengan kami. Terima kasih, James Kaufman, Editor Saya mencoba menggunakan fungsi Matlab dari HMM untuk melakukan pemodelan sederhana. Saya masih berusaha memahami bagaimana menggunakan semua fungsi untuk membuat prediksi. Katakanlah saya memiliki serangkaian waktu pengembalian harian, saya mengubahnya menjadi Up, Flat atau Down (1, 0, -1) sebagai pengamatan saya. Katakanlah saya memiliki model 2 negara sederhana. Sekarang saya bisa menempatkan seluruh seri observasi beserta beberapa nilai tebakan awal Probabilitas Probabilitas dan Transisi Probabilitas untuk memperkirakan matriks Transisi dan Emisi Probabilitas. TRANSEST2, EMISEST2 hmmtrain (seq, TRANSGUESS, EMISGUESS) Sekarang, dengan kedua matriks ini, apa yang Anda lakukan untuk membuat prediksi baru Apakah Anda hanya menjalankan seq, menyatakan hmmgenerate (1, TRANS, EMIS) untuk menghasilkan 1 nomor yang merupakan berikutnya Urutan pengamatan dan menyebutnya prediksi Anon, saya tidak terbiasa dengan fungsi Matlab spesifik yang Anda gunakan (saya menggunakan paket gratis), tapi umumnya, ya, jika Anda ingin memprediksi variabel pengukuran berikutnya, itulah yang Anda lakukan. . Dalam aplikasi lain, pedagang lebih tertarik pada variabel negara (misalnya rasio lindung nilai, yang tidak secara langsung dapat diamati dan dengan demikian quothiddenquot), dan prediksi variabel keadaan akan menjadi fokus. Ernie Terima kasih Ernie. Fungsi tersebut disediakan oleh Matlab Statistics toolbox. Ada lima fungsi yang tersedia disana. Hmmgenerate 8212 Menghasilkan urutan keadaan dan emisi dari model Markov hmmestimate 8212 Menghitung perkiraan kemungkinan probabilitas transisi dan emisi maksimum dari urutan emisi dan urutan negara yang diketahui hmmtrain 8212 Menghitung perkiraan kemungkinan probabilitas transisi dan emisi maksimum dari urutan Emisi hmmviterbi 8212 Menghitung jalur negara yang paling mungkin untuk model Markov tersembunyi hmmdecode 8212 Menghitung probabilitas keadaan posterior dari urutan emisi Mengenai komentar Anda mengenai Predicting the State Variables, kenyataannya adalah kita tidak tahu apa negara bagian dan berapa banyak Dari mereka seharusnya begitu juga orang hanya menganggap beberapa skenario sembarang negara, seperti Skenario jenis Resident, Rainy, Cloudyquot atau ie (RiskOn, RiskOff, RiskNeutral). Bagi saya untuk mendapatkan keadaan yang paling mungkin, saya perlu menggunakan fungsi Viterbi. Kemungkinan terjadi hmmviterbi (seq, TRANS, EMIS). Tapi saya perlu terlebih dahulu mencari tahu matriks TRANS, matriks probabilitas EMIS yang diberikan seq kita sendiri. Dari pengamatan. TRANSEST2, EMISEST2 hmmtrain (seq, TRANSGUESS, EMISGUESS) Bagaimanapun, kedengarannya seperti akan ada sedikit perkiraan menebak pekerjaan di sini. Anda memperkirakan matriks probabilitas, dan menggunakan matriks kemungkinan perkiraan untuk menyimpulkan keadaan Anda. Setelah semua kerja keras ini, yang bisa Anda temukan adalah sejumlah nomor Negara yang mereka sebut itu quotMost Status Likelyquot yang diberikan kepada kuWhat telah terjadi. Pertanyaannya adalah bagaimana kita menggunakannya SEKARANG untuk prediksi masa depan Apakah saya kehilangan sesuatu di sini Anon, Untuk menentukan keadaan apa Variabel harus, seringkali Anda memerlukan beberapa pengetahuan domain. Yaitu. Anda membutuhkan lebih dari HMM untuk membatasi model Anda. Contoh yang baik diberikan di Bab 3 buku baru saya, yang menggambarkan penggunaan HMM dalam menemukan rasio lindung nilai dari sepasang ETF yang mengointegrasi. Variabel negara yang dipilih dalam kasus ini sama sekali tidak sewenang-wenang. Juga, dalam kasus ini, tujuannya tidak dalam memprediksi pengukuran berikutnya, meskipun Anda dapat memilih untuk melakukannya. Saya pikir makalah ini dari Jerry Hong layak dibaca untuk Anda, sangat menarik (di HMM dan SVM). Eecs. berkeley. eduPubsTechRpts2010EECS-2010-63.pdf Hi Laurent, saya sebenarnya pernah membaca tulisan ini sebelumnya. Sebenarnya, beberapa kolaborator dan saya telah mencoba untuk meniru dan memperluas hasilnya ke lebih banyak saham. Upaya itu gagal, dan diperkuat pendapat saya bahwa teknik belajar mesin yang langsung belajar aturan tidak sesuai untuk trading. Ernie ini menarik. Saya menerapkan versi model markov dan backtests saya memberi hasil rata-rata 66 tingkat kemenangan pada periode perdagangan per jam selama periode perdagangan kumulatif 5 tahun. Saya kemudian menerapkan metode ppmc untuk hasil ini dan tingkat kemenangan naik rata-rata 83. Dalam hal perdagangan sebenarnya, saya telah melakukan trading selama 7 bulan sekarang dan rasio kemenangan rata-rata adalah 69 dengan menggunakan kedua metode tersebut. Ini akan membaik seiring berjalannya waktu dan menyesuaikan diri dengan kondisi pasar yang berubah sehingga saya yakin akan hal itu. Anyways hanya mengatakan bahwa adalah mungkin untuk melakukan hal ini. Terima kasih atas laporan kesuksesan Anda dengan model HMM Oleh PPMC, maksud Anda filter partikel Monte Carlo Hi Ernie, Anda sebutkan di buku Anda bahwa Anda menggunakan quotBuy pada strategi gapquot dalam live trading. Bagaimana Anda menangani kasus di mana tidak ada tradesquotes untuk satu atau lebih instrumen selama sesi pembukaan. Menganalisis data historis, kasus ini terkadang benar. Masalah lain terjadi ketika ada tradeesquotes tapi terlalu tua, misalnya timestamp sama 08:55 Am. Saya akan berterima kasih atas bantuannya. Hi Ernie, Anda sebutkan di buku Anda bahwa Anda menggunakan quotBuy pada strategi gapquot dalam live trading. Bagaimana Anda menangani kasus di mana tidak ada tradesquotes untuk satu atau lebih instrumen selama sesi pembukaan. Menganalisis data historis, kasus ini terkadang benar. Masalah lain terjadi ketika ada tradeesquotes tapi terlalu tua, misalnya timestamp sama 08:55 Am. Saya akan berterima kasih atas bantuan Semua backtesting intraday harus dilakukan dengan tanda kutip dan bukan perdagangan. Kutipan selalu hadir di 09:30. Nah, begitu subjectresearch secara langsung berhubungan dengan peluang menghasilkan uang, sama sekali tidak ada gunanya mengharapkan kontribusi umpan balik yang bermanfaat: orang bodoh berkontribusi, kecerdasan menghasilkan uang. Jika seseorang memiliki ide kerja, sangat mudah untuk memvalidasi - menghasilkan uang sebagai alternatif untuk berkontribusi dan memiliki banyak omongan yang bagus. 12 Agustus 2016, 12 Agustus 2016 Model Pengalihan Regime: Momentum vs Pembalikan Mean Hari ini saya ingin Untuk berbagi link ke posting pertama saya di Quantopian, di mana saya menggambarkan sebuah strategi yang menggunakan data sosial untuk beralih antara mean reversion dan momentum berbasis rezim perdagangan. Prestasi ini dicapai dengan menggunakan faktor sosial baru yang telah diciptakan. Saya percaya strategi ini menyajikan pendekatan baru untuk beralih rezim. Strat ini mewakili kepergian akar HFT saya, karena masa rebalinya 24 jam. Kupikir aku bisa terbiasa dengan kecepatan santai seperti itu, bagaimanapun, terutama dengan pengembalian seperti ini8230 Dikatakan bahwa mungkin ada banyak perbaikan, seperti ambang sosial adaptif dan skema pembobotan yang lebih baik. Tapi untuk model mainan saya pikir itu cukup ekspresif untuk menunjukkan bagaimana Anda bisa memulai. Saat ini strategi memperdagangkan alam semesta dari 50 Equity ETF8217s, namun mungkin bisa diperluas hingga lebih banyak lagi. Saya ingin memperpanjang ini untuk memperdagangkan ekuitas individu LongShort juga. Jika Anda memiliki pertanyaan, silakan berkomentar di sini atau menggunakan pos tersebut, secara langsung jika Anda memiliki akun Quantopian. Bagikan ini: Posting navigasi Recent Posts Recent Comments Categories
No comments:
Post a Comment