Trading Strategie Basierte On A Regime Switching Modell

Im immer frage mich, ob jemand Regime-Switching-Modelle erfolgreich in der Prognose oder Handel verwendet hat. Academia hat dieses Thema ausführlich diskutiert, wie zB die Verwendung von Regime Switching Modellen zur Erkennung abrupter Marktverlagerungen oder struktureller Veränderungen. Beliebte Techniken beinhalten die Modellierung des zugrundeliegenden Prozesses als Markov-Prozess mit bestimmten Verteilungen und verwenden ein solches Modell, um die Übergangswahrscheinlichkeitsmatrix zu schätzen. Die Prämisse dieses Ansatzes ist attraktiv: Wenn wir unterschiedliche Ansätze auf unterschiedliche Marktregime anwenden können, dann kann der Modellierungsprozess die Realität besser reflektieren. Doch wie jedes andere Modell ist die Zuverlässigkeit eines solchen Modells nicht überzeugend. Persönlich habe ich versucht, einige von den Akademikern vorgeschlagene Regime-Switch-Modelle zu implementieren und ihre Erklärungskraft für die Erkennung von Marktverschiebungen (wie z. B. Verschiebung von Zyklen, Volatilitätsniveaus usw.) zu testen, aber die Ergebnisse sind immer enttäuschend. Können alle anderen Freunde hier deine Meinung teilen. Fragte am 25. Juni 14 um 12: 28Trading mit Garch Volatilität Prognose Quantum Financier schrieb einen interessanten Artikel Regime Switching System mit Volatility Forecast. Der Artikel präsentiert einen eleganten Algorithmus, um zwischen Mittel-Reversion und Trend-Follow-Strategien auf der Grundlage der Marktvolatilität zu wechseln. Zwei Modelle werden untersucht: eine mit der historischen Volatilität und eine andere mit der Garch (1,1) Volatility Forecast. Die Mittelwert-Reversion-Strategie wird mit RSI (2) modelliert: Lange bei RSI (2) und kurz anders. Die Trend-Folge-Strategie ist mit SMA 50200 Crossover modelliert: Lange, wenn SMA (50) gt SMA (200) und kurz anders. Ich möchte zeigen, wie man diese Ideen mit der Backtesting-Bibliothek in der Systematic Investor Toolbox implementiert. Nach dem Code werden historische Preise von Yahoo Fiance geladen und vergleicht die Performance der Buy-and-Hold-, Mean-Reversion - und Trend-Following-Strategien mit der Backtesting-Bibliothek in der Systematic Investor Toolbox: Als nächstes können Sie eine Strategie erstellen, die zwischen Mittelwert-Reversion und Trend umschaltet - folgende Strategien auf der Grundlage der historischen Marktvolatilität. Als nächstes können Sie eine GARCH (1,1) Volatility Forecast erstellen. Ich würde empfehlen, folgende Artikel für alle zu lesen, die finden wollen, was GARCH ganz oder gar nicht erkennt: GARCH (1,1) von David Harper 8211 ein sehr guter Einführungsartikel mit vielen visuellen Diagrammen. Praktische Fragen in Univariate GARCH Modellierung von Y. Chalabi, D. Wurtz 8211 Schritt für Schritt Beispiel für die Montage von GARCH (1,1) Modell mit vollem R-Code. Grundlegende Einführung in GARCH von Quantum Financier 8211 ist eine Reihe von Beiträgen, die in die Details und Annahmen von GARCH und EGARCH geht. Es gibt ein paar R-Pakete für GARCH-Modelle. Ich betrachte garch Funktion aus tseries Paket und garchFit Funktion aus fGarch Paket. Die garch-Funktion aus dem Tseries-Paket ist schnell, findet aber keine Lösung mehr. Die garchFit-Funktion aus dem fGarch-Paket ist langsamer, aber konsequent konvergent. Um die Geschwindigkeitsdifferenz zwischen garch-Funktion und garchFit-Funktion zu demonstrieren, habe ich einen einfachen Benchmark erstellt: Die garchFit-Funktion ist durchschnittlich 6 mal langsamer als die Garch-Funktion. Um die Volatilität zu prognostizieren, werde ich versuchen, die Garch-Funktion zu nutzen, wann immer es eine Lösung und garchFit-Funktion finden kann. Nun können wir eine Strategie erstellen, die zwischen Mittelwert - und Trendfolgenstrategien auf Basis der GARCH (1,1) Volatilitätsprognose umschaltet. Die Switching-Strategie, die GARCH (1,1) Volatilitätsprognose verwendet, ist etwas besser als diejenige, die historische Volatilität verwendet. Es gibt viele verschiedene Ansätze, die Sie ergreifen können, um die Prognose in Ihre Modelle und Handelsstrategien zu integrieren. R hat ein sehr reichhaltiges Paket von Paketen, um Zeitreihen zu modellieren und zu prognostizieren. Hier sind einige Beispiele, die ich interessant fand: Um den kompletten Quellcode für dieses Beispiel zu sehen, schau doch mal die bt. volatility. garch () - Funktion in bt. test. r bei github an. Verpassen Sie nie ein Update Abonnieren Sie R-Blogger, um E-Mails mit den neuesten R-Beiträgen zu erhalten. (Sie werden diese Nachricht nicht wieder sehen.) Ich lese mit Interesse ein älteres Papier Kann Markov Switching Models Vorhersage Excess Foreign Exchange Returns von Dueker und Neely von der Federal Reserve Bank von St. Louis. Ich habe eine Vorliebe für versteckte Markov-Modelle wegen seines großen Erfolges in Spracherkennungsanwendungen, aber ich gestehe, dass ich niemals ein HMM-Modell erstellen konnte, das einfache technische Indikatoren übertrifft. Ich behaupte, dass sowohl auf meinen eigenen Mangel an Kreativität als auch die Tatsache, dass HMM dazu neigen, zu viele Parameter, die an historische Daten angepasst werden müssen, die es anfällig für Daten Snooping Bias. Daher näherte ich mich diesem Papier mit der großen Hoffnung, dass Experten mir beibringen können, wie man HMM richtig anwendet, um zu finanzieren. Das Ziel des Modells ist einfach: die Überschreitung eines Wechselkurses über einen Zeitraum von 8 Tagen vorherzusagen. (Überschussrendite in diesem Kontext wird durch die Änderung des Wechselkurses abzüglich der Zinsdifferenz zwischen den Basis - und Quottwährungen des Währungspaares gemessen.) Ist die erwartete Überschussrendite höher als ein Schwellenwert (als Filter im Papier bezeichnet) Dann geh mal Wenn es niedriger als eine andere Schwelle ist, gehen Sie kurz. Auch wenn die Vorhersage bei einer 8-tägigen Rendite ist, wird die Handelsentscheidung täglich getätigt. Es wird davon ausgegangen, dass die Überschussrendite eine 3-Parameter-Schüler-T-Verteilung hat. Die 3 Parameter sind der Mittelwert, der Freiheitsgrad und die Skala. Der Skalierungsparameter (der die Varianz steuert) kann zwischen einem hohen und niedrigen Wert auf Basis eines Markov-Modells umschalten. Der Freiheitsgrad (der die Kurtosis, a. k.a. Dicke der Schwänze steuert) kann auch zwischen 2 Werten auf der Grundlage eines anderen Markov-Modells umschalten. Der Mittelwert ist linear abhängig von den Werten, die durch den Freiheitsgrad und die Skala angenommen werden, sowie eine andere Markov-Variable, die zwischen 2 Werten umschaltet. Daher kann der Mittel 8 verschiedene Werte annehmen. Die 3 Markov Modelle sind unabhängig. Die studentische Verteilung ist für die Modellierung der finanziellen Erträge besser geeignet als die normale Verteilung wegen der Zulage für schwere Schwänze. Die Autoren glauben auch, dass dieses Modell den Wechsel zwischen den Perioden der hohen und niedrigen Volatilität einschließt, mit der daraus folgenden Veränderung der Präferenz (unterschiedliche mittlere Renditen) für sichere und riskante Währungen, ein Phänomen, das in der Zeit von August 2011 bis Januar 2012 gut demonstriert wurde. Die Parameter der Markov-Modelle und die Schüler-t-Ausschüttungen werden in der In-Sample-Periode (1974-1981) für jedes Währungspaar geschätzt, um die kumulative Abweichung der Überschussrenditen von Null zu minimieren. Es gibt insgesamt 14 Parameter, die so geschätzt werden. Nach diesen Schätzungen müssen wir auch die 2 Handelsschwellen einschätzen, indem wir die Stichprobenrendite der Handelsstrategie maximieren und dabei eine Transaktionskosten von 10 Basispunkten pro Handel annehmen. Mit dieser großen Zahl (16 insgesamt) von Parametern habe ich Angst, die Out-of-Sample (1982-2005) Ergebnisse zu sehen. Erstaunlich, das sind viel besser als ich erwartet hatte: Die annualisierten Renditen reichen von 1,1 bis 7,5 für 4 große Währungspaare. Die Sharpe-Verhältnisse sind nicht so beeindruckend: sie reichen von 0,11 bis 0,71. Natürlich, wenn Forscher berichten out-of-sample Ergebnisse, sollte man das mit einem Körnchen Salz zu nehmen. Wenn die Out-of-Sample-Ergebnisse nicht gut waren, würden sie sie nicht melden, und sie hätten das zugrunde liegende Modell geändert, bis gute Out-of-Sample-Ergebnisse erhalten sind. So ist es wirklich an uns, dieses Modell zu implementieren, es anzuwenden Daten nach 2005 und zu mehr Währungspaaren, um herauszufinden, ob hier wirklich etwas ist. In der Tat, das ist der Grund, warum ich es vorziehe, ältere Papiere zu lesen - um die Möglichkeit von echten Out-of-Probe-Tests sofort zu ermöglichen. Was denkst du, um dieses Modell zu verbessern, vermute ich, dass man als erster Schritt sehen kann, ob die geschätzten Markov-Staaten vernünftigerweise übereinstimmen, was die Händler als Risiko-Risiko-Risiko gelten. Wenn sie es tun, dann kann es unabhängig von der Verwendung dieses Modells als Signalgenerator zumindest gute Risikoindikatoren erzeugen. Wenn nicht, dann muss das versteckte Markov-Modell durch ein Markov-Modell ersetzt werden, das auf beobachtbare Indikatoren konditioniert ist. 35 Kommentare: Du hast einen Tippfehler im Titel des Papiers. Das Wort quotreservesquot sollte durch Rücksendungen ersetzt werden. Mann, ich war wirklich verwirrt, als ich den Titel sah, dass Sie schrieb ich dachte, was auf der Erde würde jemand kümmern sich über die Vorhersage überschüssige Devisenreserven Ihr Kommentar über das Zitat von Stichprobenprüfungen in Forschungsarbeiten nicht wirklich so out-of-Probe Ist anfällig, ich glaube, viele Leute verstehen das Problem, das du aufgeworfen hast, und ich denke, es ist ein sehr wichtiger Punkt. Aagold, Vielen Dank für das Zeigen, dass aus. Eigentlich war der Tippfehler in der ursprünglichen Vorabdruck, weshalb ich es kopiert habe Ernie Ernie, nicht zu fragen, Ihre Quant-Fähigkeiten, aber sind Sie ernsthaft vorschlagen, ein Modell mit, dass viele Parameter zu passen, hat jede Anwendbarkeit auf den Handel Ich sage dies als Quant Trader Mit über 14 Jahren Branchenerfahrung und läuft meine eigene Mitte bis hft fest. Für mich ist dieses Papier absolut nonesense und die erwähnten Sharpe-Verhältnisse sind viel zu niedrig, selbst in ihrem eigenen Zitat von samplequot Backtests, um zu rechtfertigen, solches Papier ernst zu nehmen. AsiaProp, Eigentlich sind die 16 Parameter nicht so viele wie sie klingen. 14 davon sind für die Anpassung der Zeitreihen selbst: Sie sind unabhängig von der Handelsstrategie. Nur 2 der Parameter werden zur Optimierung der Strategierückkehr verwendet. Die in der akademischen Forschung berichteten Sharpe-Ratios sind fast immer niedrig. Wenn sie hoch sind, werden sie veröffentlicht. Unsere Arbeit als Händler ist, diese Forschung als Inspiration zu nehmen und sie in praktische Strategien zu zwicken. Nochmals vielen Dank für deine harte Arbeit. Oben auf deinem Blog und deinem Buch, bekomme ich große Einblicke, die gerade durch deine Gespräche mit anderen Kommentaren auf deiner Seite lesen. In einem früheren Kommentar-Thread ab dem anderen Tag haben Sie erwähnt, dass ein großer Teil Ihrer Renditen im Jahr 2011 aus Mittel-Reversion-Strategien im Devisenmarkt kam. Ich frage mich, ob Sie jede Art von Regime Switching-Modell in Ihrem Devisenhandel zu bestimmen, um festzustellen, ob Sie in erster Linie auf Ihre Dynamik oder Mittel-Reversion-Strategien Zack, Nein, ich didn39t verwenden Sie alle Regime Switching-Modelle zugeordnet werden möchten. Ich habe nie gefunden, dass diese Modelle out-of-sample arbeiten. Ernie Hast du diese Zeitung gelesen, irgend ein Kommentar Hallo Anon, nein, ich habe das Papier nicht gesehen, aber das wird auf meine Leseliste setzen. Auch Chris Neely, der Autor des Papiers, das ich beschrieben habe, erwähnte mir dieses andere relevante Papier: Und seine Website: Nur aus einer akademischen Perspektive, anstatt der Ebene HMM vielleicht etwas wie das Maximum Entropy Hidden Markov Modell kann besser arbeiten Dave, warum denkst du maximale Entropie HMM wird besser funktionieren Es scheint nur eine andere Methode, um die zu schätzen Parameter. Ernie Ich habe keine empirischen Beweise und finanzielle Vorhersage ist nicht wirklich mein Fachgebiet. Es ist nur so, dass in meinen wenigen Versuchen, maschinelles Lernen für finanzielle Vorhersagen zu verwenden, ich gelernt habe, dass die Menge an Lärm dazu neigt, irgendwelche Trends, die der Markt haben kann, auszulöschen. Infolgedessen neigen die meisten Lernenden dazu, wirklich schlecht zu sein, ganz möglicherweise aufgrund der Überlagerung der Trainingsdaten. Also eine meiner Ideen ist es, Techniken wie Maximum Entropy verwenden, um den Grad der über-Montage zu reduzieren. Allerdings habe ich das nicht ausprobiert. Hallo ernie: Ich lese gerade dein Buch namens quotquantitative tradingquot, und bereits programmiert und versucht MATHLAB für Backtesting. Die Ergebnisse unterscheiden sich jedoch von der MetaTrader Strategy testerOptimization. In MT4 habe ich Hunderte von Pässen, die mit den meisten meiner echten Trades einverstanden sind (dankbar), aber letzteres ist nicht so positiv. Ich benutze den gleichen Datensatz, den ich von 2001 bis 2009 verfolgen kann. Der Hauptgrund, warum MATHLAB ist, dass ich Sharpe Ratio einsetzen möchte. Normalerweise, in MT4, die Wahl meiner Parameter ist ziemlich einfach, einfach. Ich wähle die mit minimalem Drawdown besten Renditen, und dann führen Sie separate Kopien von ihnen. Nach dem Lesen deines Buches dachte ich an die Auswahl von Parametern mit: 1) Minimaler Drawdown 2) Beste Rücksendungen und füge ein drittes Kriterium hinzu, Sharpe Ratio. Auf diese Weise fühle ich, dass ich meine Rückkehr erhöhen kann, nein Die Formel sieht kompliziert aus, aber trotzdem ist es kein Schaden. Was denkst du Und danke Hallo Anon, Als du gesagt hast, dass die Ergebnisse von Matlab sich von Metatrader unterscheiden, kannst du genauer sein Sind Sie sicher, dass die Logik in den 2 Programmen identisch ist Sie können das Sharpe-Verhältnis in allen Programmen einsetzen, die Sie wählen, nicht unbedingt Matlab Es ist nur eine mittlere Rückkehr geteilt durch Standardabweichung. Ernie Ich dachte auch, dass die Sharpe-Ratio noch in jedem Programm eingesetzt werden könnte. Ist es wirklich nur begrenzt auf Mathlab Ernie Chan sagte. Hallo Anon, Als du gesagt hast, dass die Ergebnisse von Matlab sich von Metatrader unterscheiden, kannst du genauer sein Sind Sie sicher, dass die Logik in den 2 Programmen identisch ist Ja, Im sehr sicher sind sie. Ok, ich bin genauer. Meine Strategie ist extrem einfach, aber profitabel (zumindest für mich) - nur 2 Zeilen Logik, 2 Integer-Parameter. Ich kann nicht sehen, wie oder warum sich diese einfache Logik stark unterscheidet, zwischen den beiden. Der Unterschied ist, dass in MT4 bekomme ich Hunderte Pässe, aber bei MATHLAB bekomme ich nur noch 50 Pässe. In MATHLAB gibt einer der 1-jährigen Testpass einen Saldo von 200K aus dem Anfangskapital von 10K zurück, aber in MT4 liegen die Waagen im Bereich von 50K-100K für alle Pässe. Eine weitere Sache, in MT4, Zeit der Bars werden in der Tester betrachtet. Ich muss nicht alles neu programmieren. Aber in MATHLAB muss ich diesen Datensatz trennen. Vielleicht ist das also der Unterschied Thx wieder für deine freundliche Hilfe. Hallo Ruthstein, ja, es ist wahrscheinlich, dass Fehler in der Datenvorbereitung das sind, was die Unterschiede verursacht hat. In Metatrader werden Daten als Teil des Programms installiert. Aber Matlab ist eine allgemeine Rechenplattform, ähnlich wie ein Taschenrechner. Sie müssen bei der Vorbereitung von Daten für die Eingabe in Matlab sehr vorsichtig sein. Ernie Hi ernie, vielen Dank für Ihre Kommentare. Jemand hilft mir mit seinem Plug-in für den Zeitteil und es gab einen sehr kleinen Fehler in der Zeit Vorbereitung in MATHLAB. Dennoch bleiben die Ergebnisse unvereinbar. Aber überraschend jetzt ist die Sharpe Ratio fast der gleiche Wert für die Top 5 Minimal Drawdown Pässe, aber nicht in Bezug auf Gewinne, though. Auf der hellen Seite, das macht Entscheidungen einfacher als zuvor, da ich nur in Bezug auf die sicherste Drawdown entscheiden, da die Sharpe Ratio für alle sie ziemlich akzeptabel sind. Nochmals danke für deine freundliche Hilfe und ich muss sagen, dein Buch ist gut lesbar. Ich werde keinen Zweifel daran haben, dass ich wieder dein nächstes Buch Hi Ruthstein kaufe, ich bin froh, dass du einen Bug gefunden hast. Wenn die Programmierlogik in Matlab und MT gleich ist, dann können die einzigen Grundergebnisse unterschiedlich sein, wenn die Eingabedaten falsch sind. Ernie Ernies, wann kommst du nach USA, um die quantitative Trading-Klasse Anon zu unterrichten. Es liegt an dem Veranstalter der Workshops, dem Technical Analyst Magazin. Wenn Sie interessiert sind, fordern Sie bitte einen New Yorker oder Chicago Workshop an trainingtechnicalanalyst. de an. Ernie Hallo, Wirst du bitte einen Link zu deinem Blog in der Währung Trading Community posten Unsere Mitglieder werden es schätzen. Mitglieder gehören: Devisenhändler, Währung und Forex Trading Experts und Professionals. Es ist einfach zu tun, einfach schneiden und fügen Sie den Link und es automatisch Links zurück zu Ihrer Website. Sie können auch Artikel, News und Videos hinzufügen, wenn Sie möchten. Emailen Sie mir, wenn Sie irgendeine Hilfe benötigen oder möchten, dass ich es für Sie tun werde. Fühlen Sie sich frei, so oft zu teilen, wie Sie mögen. Die Währung Trading Community: vortscurrencies Ich hoffe, Sie erwägen, mit uns zu teilen. Vielen Dank, James Kaufman, Redakteur Ich versuche, Matlab39s HMM-Funktion zu verwenden, um eine einfache Modellierung zu machen. Ich versuche immer noch zu verstehen, wie man alle Funktionen benutzt, um die Vorhersage zu machen. Sagen Sie, ich habe eine Zeitreihe der täglichen Rückkehr, ich wechsle es zu Up, Flat oder Down (1, 0, -1) als meine Beobachtung. Sagen, ich habe ein einfaches 2-Staaten-Modell. Jetzt kann ich die gesamte Beobachtungsreihe zusammen mit einigen anfänglichen Vermutungswerten für die Emissionswahrscheinlichkeit und die Übergangswahrscheinlichkeit zur Abschätzung der Übergangs - und Emissionswahrscheinlichkeitsmatrix setzen. TRANSEST2, EMISEST2 hmmtrain (seq, TRANSGUESS, EMISGUESS) Nun, mit diesen beiden Matrix, was machst du, um die neue Vorhersage zu erstellen. Laufen Sie einfach die Seq, Staaten hmmgenerate (1, TRANS, EMIS), um eine Nummer zu generieren, die Ihr nächster ist Beobachtungssequenz und nennen Sie es Ihre Vorhersage Anon, ich bin nicht vertraut mit der spezifischen Matlab-Funktion, die Sie verwenden (ich benutze ein kostenloses Paket stattdessen), aber im Allgemeinen, ja, wenn Sie die nächste Messgröße vorhersagen wollen, was Sie tun . In anderen Anwendungen interessieren sich die Händler mehr für die Zustandsvariable (z. B. ein Hedge-Verhältnis, das nicht direkt beobachtbar ist und somit quothidden) und die Zustandsvariable Vorhersage wäre der Fokus. Ernie Danke Ernie. Diese Funktionen werden von Matlab Statistics Toolbox zur Verfügung gestellt. Dort gibt es fünf Funktionen. Hmmgenerate 8212 Erzeugt eine Folge von Zuständen und Emissionen aus einem Markov-Modell hmmestimate 8212 Berechnet die Maximum-Likelihood-Schätzungen von Übergangs - und Emissionswahrscheinlichkeiten aus einer Sequenz von Emissionen und einer bekannten Sequenz von Zuständen hmmtrain 8212 Berechnet die Maximum-Likelihood-Schätzungen von Übergangs - und Emissionswahrscheinlichkeiten aus einer Sequenz von Emissionen hmmviterbi 8212 Berechnet den wahrscheinlichsten Zustandspfad für ein verstecktes Markov-Modell hmmdecode 8212 Berechnet die hinteren Zustandswahrscheinlichkeiten einer Folge von Emissionen In Bezug auf Ihren Kommentar zur Vorhersage der Staatsvariablen ist die Realität, dass wir keine Ahnung haben, was sind die Staaten und wie viele Von denen sollte das so sein, dass die Leute einfach einige willkürliche Zustände annehmen, wie sie sich in den Szenarien des Typs "Shy", "Rainy", "Smiskquot" oder "RiskOn, RiskOff, RiskNeutral" befinden. Für mich, um die wahrscheinlichsten Staaten zu bekommen, muss ich die Viterbi-Funktion verwenden. Wahrscheinlich hmmviterbi (seq, TRANS, EMIS). Aber ich muss zuerst herausfinden, welche TRANS, EMIS Wahrscheinlichkeitsmatrix unsere eigene Seq. Von Beobachtungen. TRANSEST2, EMISEST2 hmmtrain (seq, TRANSGUESS, EMISGUESS) Immerhin klingt es so, dass es hier ein bisschen schätzt. Sie schätzen die Wahrscheinlichkeitsmatrix und verwenden die geschätzte Wahrscheinlichkeitsmatrix, um Ihre Zustände abzuleiten. Nach all diesen Hardwork, was Sie finden können, ist ein Bündel von Staatsnummern, die sie nennen es quotMost Likelyquot Zustand gegeben quotWhat war passiert Frage, wie wir verwenden es JETZT für die zukünftige Vorhersage Bin ich etwas fehlt hier Anon, um festzustellen, was ein Staat Variable sollte, oft benötigen Sie einige Domain-Kenntnisse. I. e. Sie brauchen mehr als HMM, um Ihr Modell zu beschränken. Ein gutes Beispiel dafür ist in Kapitel 3 meines neuen Buches, das die Verwendung von HMM bei der Suche nach dem Hedge-Verhältnis eines kointegrierenden Paares von ETFs veranschaulicht. Die in diesem Fall gewählte Zustandsvariable ist überhaupt nicht willkürlich. Auch in diesem Fall ist das Ziel nicht in der Vorhersage der nächsten Messung, obwohl Sie wählen können, dies zu tun. Ich denke, dieses Papier von Jerry Hong lohnt sich für dich zu lesen, sehr interessant (auf HMM und SVM). Eecs. berkeley. eduPubsTechRpts2010EECS-2010-63.pdf Hallo Laurent, ich habe das Papier vorher gelesen. In der Tat, einige Mitarbeiter und ich habe versucht, zu replizieren und erweitern die Ergebnisse auf mehr Aktien. Die Anstrengung war ein Misserfolg und verstärkte meine Meinung, dass maschinelle Lerntechniken, die direkt Regeln lernen, für den Handel ungeeignet sind. Ernie Das ist interessant. Ich habe meine Version des markov-Modells implementiert und Backtests gab mir Ergebnisse von durchschnittlich 66 Gewinnrate auf einer stündlichen Handelsperiode über einen kumulativen Handelsperiode von 5 Jahren. Ich habe dann eine ppmc-Methode auf diese Ergebnisse angewendet und die Win-Rate ging bis zu einem Durchschnitt von 83. In Bezug auf tatsächlichen Handel I39ve Handel für 7 Monate jetzt und die durchschnittliche Win-Verhältnis ist 69 mit beiden Methoden. Es wird mit der Zeit besser und passt sich an die sich ändernden Marktbedingungen an, so dass ich in ihm zuversichtlich bin. Jedenfalls nur sagen, dass es möglich ist, dies zu tun. Vielen Dank für Ihren Bericht über den Erfolg mit dem HMM-Modell Von PPMC, meinst du Partikelfilter Monte Carlo Hallo Ernie, Du hast in deinem Buch erwähnt, dass du in der Lackquot-Strategie im Live-Handel Wie gehen Sie mit einem Fall um, bei dem es keine Handsquotes für ein oder mehrere Instrumente gibt, während der Voreröffnung Session Analysieren historischer Daten, ist dieser Fall manchmal wahr. Ein anderes Problem tritt auf, wenn es Tradesquotes gibt, aber sie sind zu alt, zum Beispiel Zeitstempel ist gleich 08:55 Am. Ich bin dankbar für die Hilfe Hallo Ernie, Du hast in deinem Buch erwähnt, dass du in der Lackquot-Strategie im Live-Handel verwendet hast. Wie gehen Sie mit einem Fall um, bei dem es keine Handsquotes für ein oder mehrere Instrumente gibt, während der Voreröffnung Session Analysieren historischer Daten, ist dieser Fall manchmal wahr. Ein anderes Problem tritt auf, wenn es Tradesquotes gibt, aber sie sind zu alt, zum Beispiel Zeitstempel ist gleich 08:55 Am. Ich bin dankbar für die Hilfe Alle Intraday Backtesting sollte mit Zitaten statt Trades gemacht werden. Zitate sind immer um 9:30 Uhr anwesend. Nun, sobald die Subjektforschung direkt auf Geld verdient, die Gelegenheit macht, ist es völlig sinnlos, jede Art von nützlichen Feedback-Behauptung zu erwarten: Narren tragen dazu bei, smarts verdienen Geld. Wenn jemand eine funktionierende Idee it39s eine sehr einfach zu validieren - Geld verdienen die Alternative wäre, dazu beitragen und eine Menge von netten talk. August 12, 2016 August 12, 2016 Ein Regime Switching Model: Momentum vs Mean Reversion Heute wollte ich Um einen Link zu meinem ersten Beitrag auf Quantopian zu teilen, in dem ich eine Strategie beschreibe, die soziale Daten benutzt, um zwischen mittleren Reversions - und Impuls-basierten Handelsregimen umzuschalten. Diese Leistung wird mit einem neuen sozialen Faktor erreicht, der erstellt wurde. Ich glaube, diese Strategie stellt einen neuartigen Ansatz zur Regime-Umstellung vor. Dieser Strat stellt eine Abkehr von meinen HFT Wurzeln dar, da die Ausgleichsperiode 24 Stunden beträgt. Ich glaube, ich könnte mich an diese Art von gemächlichem Tempo gewöhnen, aber vor allem bei Rücksendungen wie diesen. Das heißt, es gibt wahrscheinlich viele Verbesserungen, wie eine adaptive soziale Schwelle und ein besseres Gewichtungsschema. Aber für ein Spielzeugmodell denke ich, dass es ziemlich ausdrucksvoll ist zu zeigen, wie man losfährt. Im Moment handelt es sich bei der Strategie um ein Universum von 50 Equity ETF8217s, aber es könnte wahrscheinlich auf mehr erweitert werden. Ich möchte das auch auf LongShort-Einzelaktien erweitern. Wenn Sie irgendwelche Fragen haben, fühlen Sie bitte sich frei, hier zu kommentieren oder den Pfosten zu verwenden, direkt, wenn Sie ein Quantopian Konto haben. Teilen Sie diese: Post navigation Aktuelle Beiträge Aktuelle Kommentare Kategorien