ควอนท์ ที่มีความเสี่ยง

GARCH (p, q) รุ่นและออกจากกลยุทธ์สำหรับ Intraday เทรดเดอร์ขั้นตอน การคาดการณ์ในอนาคตได้ส่วนหนึ่งของสกิลเปลี่ยวของมนุษย์ที่จะ posses ในการผลิตฮอลลีวู้ดสนุกต่อไปของนิโคลัสเคจเล่นตัวละครของแฟรงก์คาดิลแลมีความสามารถในการมองเห็นอนาคตได้ถึงเพียงไม่กี่นาทีข้างหน้า นี้จะช่วยให้เขาดำเนินการเกือบจะทันทีเพื่อหลีกเลี่ยงความเสี่ยง ตอนนี้เพียงแค่คิดสักครู่ว่าคุณเป็น (อัลกอริทึม) ผู้ประกอบการระหว่างวัน สิ่งที่คุณจะนำเสนอสำหรับเหลือบของทราบว่าสิ่งที่จะเกิดขึ้นต่อไปนี้ภายในไม่กี่นาที? สิ่งที่มีความเสี่ยงของการจัดเรียงที่คุณจะทำ? มันเป็นไปได้มากที่จะได้ข้อสรุปย้ายไปซื้อขายบนกระดานหมากรุกของคุณ? ส่วนใหญ่น่าจะเป็นคำตอบที่ดีที่สุดสำหรับคำถามนี้คือมันเป็นไปได้บางส่วน แล้วทำไมบางส่วน? ดีแม้จะมีความช่วยเหลือของคณิตศาสตร์และสถิติที่เห็นได้ชัดว่าพระเจ้าไม่ได้ต้องการให้เรารู้ว่าในอนาคตโดยการใส่ลายนิ้วมือข​​องเขาเข้าไปในสมการของเราและเรียกมันว่าตัวแปรสุ่ม สมาร์ทไม่ได้หรือไม่ ดังนั้นเป้าหมายของเราคือการทำงานหนักเพื่อที่จะคาดเดาสิ่งที่จะเกิดขึ้นต่อไป !? ในบทความนี้ผมจะอธิบายไม่นานหนึ่งในวิธีที่นิยมมากที่สุดของการคาดการณ์ความผันผวนในอนาคตทางการเงินอนุกรมเวลาการใช้แบบจำลอง GARCH ต่อไปผมจะทำให้การใช้ 5 นาทีข้อมูลระหว่างวันราคาหุ้นใกล้จะแสดงวิธีการสรุปมูลค่าหุ้นเป็นไปได้ในอีก 5 นาทีโดยใช้ระดับปัจจุบันจากความผันผวนในการซื้อขายระหว่างวัน ในที่สุดผมจะหารือเกี่ยวกับกลยุทธ์ออกจากการค้าที่ขึ้นอยู่กับสถานการณ์ที่เลวร้ายที่สุดกรณีที่คาดการณ์ไว้ (ราคาหุ้นคาดว่าจะเกินระดับสันนิษฐานหยุดการขาดทุน) แต่ก่อนช่วยให้อุ่นเครื่องกับสมการที่น่ารักบางอย่างที่เราไม่สามารถอยู่ได้โดยไม่ต้อง อนุมานความผันผวน การจับและการย่อยความผันผวนเป็นอย่างใดเช่นงานศิลปะที่ไม่พยายามที่จะเป็นตัวแทนของภายนอกในความเป็นจริงเป็นที่รู้จัก แต่พยายามที่จะบรรลุผลของการใช้รูปร่างรูปทรงสีและพื้นผิว ความคิดพื้นฐานที่เราต้องการที่จะอธิบายนี่เป็นความผันผวน $ \ $ sigma_t ของตัวแปรสุ่ม (RV) ของเช่น ราคาสินทรัพย์ในวันที $ $ เป็นที่คาดกันในตอนท้ายของวันก่อนหน้า $ เสื้อที่ $ 1 วิธีที่จะทำมันในวิธีที่ง่ายที่สุด? ที่เรียบง่าย แรกให้คิดว่าอัตราลอการิทึมของการเปลี่ยนแปลงของราคาสินทรัพย์ระหว่างสองขั้นตอนเวลา: $$ สิ่งที่สอดคล้องกับการกลับมาแสดงในร้อยละที่ $ R_ = 100 [\ exp (r_) -1] $ และเราจะใช้การเปลี่ยนแปลงครั้งนี้ตลอดเวลาที่เหลือของข้อความ สัญกรณ์ซึ่งจะทำให้เรามีหน้าต่างของโอกาสที่จะแสดง r_t $ $ เป็นนวัตกรรมเพื่ออัตราผลตอบแทนภายใต้เงื่อนไขที่ว่าเราเป็นผู้สามารถอย่างใดที่จะอนุมานสรุปและคาดการณ์ว่าราคาสินทรัพย์ในอนาคตของ $ P_t $ ใช้คำนิยามคลาสสิกของความแปรปรวนของกลุ่มตัวอย่างที่เราได้รับอนุญาตให้เขียนมันลงนาม: \ sigma_t ^ 2 = \ frac \ sum_ ^ (r_ - \ langle r \ rangle) ^ 2 $$ สิ่งที่เป็นเราคาดอัตราการแปรปรวนในขั้นตอนต่อไป $ เวลาที $ $ ขึ้นอยู่กับม. ที่ผ่านมาจุดข้อมูล $ และ $ \ langle r \ rangle เมตร = ^ \ sum_ ^ r_ $ คือตัวอย่างเฉลี่ย ตอนนี้ถ้าเราตรวจสอบชุดกลับมาซึ่งเป็นตัวอย่างหนึ่งทุกวันหรือชั่วโมงหรือนาทีก็คุ้มค่าที่จะแจ้งให้ทราบว่า $ \ langle r \ rangle $ มีขนาดเล็กมากเมื่อเทียบกับค่าเบี่ยงเบนมาตรฐานของการเปลี่ยนแปลง ข้อสังเกตนี้ผลักดันให้เรานิดต่อไปในการเขียนการประมาณค่าของ $ \ $ sigma_t เป็น: \ sigma_t ^ 2 = \ frac \ sum_ r_ ^ ^ 2 $$ ที่ $ $ เมตร-1 ได้ถูกแทนที่ด้วย $ $ เมตรโดยการเพิ่มระดับพิเศษของเสรีภาพ (เทียบเท่ากับความน่าจะเป็นประมาณการสูงสุด) อย่างดีเยี่ยมคือสิ่งที่สำคัญเกี่ยวกับสูตรนี้คือความจริงที่ว่ามันจะช่วยให้น้ำหนักที่เท่ากันของความสามัคคีที่จะค่าของ $ r_ ทุก $ ในขณะที่เราสามารถคิดปริมาณที่คูณด้วยหนึ่ง แต่ในทางปฏิบัติเราอาจจะมีความปรารถนาที่จะเชื่อมโยงขนาดเล็กบางน้ำหนัก $ \ $ alpha_i ดังนี้ \ sigma_t ^ 2 = \ sum_ ^ \ alpha_i r_ ^ 2 $$ ที่ $ \ sum_ ^ \ alpha_i = 1 $ แทนที่สิ่งที่เป็นปัจจัยของ $ ^ $ เมตรในสูตรก่อนหน้านี้ หากคุณคิดว่าเป็นครั้งที่สองเกี่ยวกับความคิดของ $ \ alpha $ s มันตรงไปตรงสวยที่จะเข้าใจว่าการสังเกตของ r_ $ $ ทุกคนมีบางส่วนสำคัญต่อมูลค่าโดยรวมของ $ \ sigma_t ^ 2 $ โดยเฉพาะอย่างยิ่งถ้าเราเลือก $ \ alpha_i เจ $ ทุกที่ผ่านมาสังเกตจากเวลาปัจจุบันส่วนใหญ่ของเสื้อ $ 1 $ ก่อน้อยลงและน้อย ในปี 1982 อาร์ Engle เสนอขยายขนาดเล็กของสูตรกล่าวสรุปในรูปแบบของอัตเงื่อนไขแปรปรวน ARCH ($ ม $) รูปแบบ: \ sigma_t ^ 2 = \ omega + \ sum_ ^ \ alpha_i r_ ^ 2 $$ ที่ $ \ omega $ เป็นความแปรปรวนในระยะยาวถ่วงน้ำหนักรับตำแหน่งที่มีน้ำหนักของ $ \ $ แกมมาเช่น $ \ omega = \ แกมมา V $ และตอนนี้ $ \ แกมมา + \ sum_ ^ \ alpha_i = 1 $ สิ่งที่รูปแบบเป็น ARCH ช่วยให้การประมาณค่าความผันผวนในอนาคต $ \ $ sigma_t คำนึงถึงอดีตที่ผ่านมาเพียง $ $ เมตรอัตราผลตอบแทนถ่วงน้ำหนักของ $ \ alpha_i r_ $ และพารามิเตอร์เพิ่มเติมจาก $ \ omega $ ในทางปฏิบัติเรามุ่งมั่นในการหาน้ำหนักของ $ \ alpha_i $ และ $ \ $ แกมมาโดยใช้วิธีโอกาสสูงสุดสำหรับชุดที่ได้รับการกลับมาของ $ \ $ วิธีการนี​​้โดยทั่วไปต้องใช้ประมาณ $ ม> 3 $ เพื่อที่จะอธิบายถึง $ \ sigma_t ^ 2 $ ได้อย่างมีประสิทธิภาพ ดังนั้นคำถามที่โผล่ออกมาเราสามารถทำได้ดีกว่ามาก? และคำตอบคือ: แน่นอน สี่ปีต่อมาในปี 1986 เป็นผู้เล่นใหม่เข้ามาแหวน ชื่อของเขาคือนาย T (Bollerslev) และเขาแท้จริงบด Engle ในรอบที่สองกับนวัตกรรมของทั่วไปอัตเงื่อนไขแปรปรวน GARCH ($ p, q $) รูปแบบ: \ sigma_t ^ 2 = \ omega + \ sum_ ^ \ alpha_i r_ ^ 2 + \ sum_ ^ \ beta_j \ sigma_ ^ 2 $$ ซึ่งมา $ \ sigma_t ของ ^ 2 $ ขึ้นอยู่กับพี $ $ ที่ผ่านมาสังเกตของ $ R ^ 2 $ และ $ Q $ ประมาณการล่าสุดของอัตราแปรปรวน การกลับมาสรุปแล้วเท่ากับ $ r_t = \ sigma_t \ epsilon_t $ ที่ $ \ epsilon_t \ ซิม N (0,1) $ สิ่งที่ปล่อยให้เราด้วยใบหน้าที่ค่อนข้างซีดและเบี้ยวที่เรารู้ว่าสิ่งที่ในทางปฏิบัติที่แท้จริงหมายถึง! จัดเรียงของที่ประชุมเข้าใจง่ายบางเสียงปรบมือที่กว้างในความยุ่งยากทางการเงินที่ให้การแก้ปัญหาของ GARCH (1,1) รูปแบบ: \ sigma_t ^ 2 = \ omega + \ alpha r_ ^ 2 + \ เบต้า \ sigma_ ^ 2 $$ มาซึ่งค่าของมันเพียงลำพังบนพื้นฐานการปรับปรุงล่าสุดของ $ R $ และ $ \ ซิก $ ถ้าเราคิดว่าในขณะที่สั้น GARCH (1,1) ควรให้เรามีรสชาติที่ดีจากความผันผวนของการคาดการณ์เมื่อชุดของคู่ที่ผ่านมาของผลตอบแทนที่มีความคล้ายคลึงกัน แต่จุดอ่อนของมันโผล่ออกมาในช่วงเวลาของการกระโดดอย่างฉับพลัน (กระแทก) ในราคา การเปลี่ยนแปลงการคาดการณ์สิ่งที่ทำให้เกิดความผันผวนเกินไป ดีไม่มีรูปแบบที่สมบูรณ์แบบ ในทำนองเดียวกันเช่นในกรณีของรูปแบบ ARCH สำหรับ GARCH (1,1) เราอาจใช้วิธีโอกาสสูงสุดที่จะหาประมาณการที่ดีที่สุดของ $ \ alpha $ และ $ \ $ เบต้าพารามิเตอร์ที่นำเราไปสู่​​ความผันผวนในระยะยาวของ $ [\ โอเมก้า / (1 \ อัลฟา \ เบต้า)] ^ $ มันเป็นเรื่องที่ประสบความสำเร็จมักจะอยู่ในกระบวนการซ้ำโดยการมองหาค่าสูงสุดของทุนในหมู่ผลรวมทั้งหมดคำนวณดังนี้ \ sum_ ^ \ left [- \ LN (\ sigma_i) \ frac \ เหมาะสม] $$ ที่ $ N $ หมายถึงความยาวของชุดผลตอบแทน $ \ $ (ที่ $ ญ = 2, N $) สามารถใช้ได้สำหรับเรา มีขั้นตอนวิธีการพิเศษเฉพาะสำหรับการทำที่มีและในขณะที่เราจะได้เห็นต่อไปเราจะทำให้การใช้งานของหนึ่งในพวกเขาใน Matlab สำหรับการอภิปรายที่เหลืออยู่ในขั้นตอนการตรวจสอบของแบบจำลอง GARCH เป็นเครื่องมือในการอธิบายความผันผวนของอนุกรมเวลาผลตอบแทนที่เป็นข้อดีและข้อเสียและเปรียบเทียบอื่น ๆ ของ GARCH สัญญาซื้อขายล่วงหน้า ARCH อื่น ๆ ผมหมายถึงคุณไป Quants อมตะและน่าอับอายพระคัมภีร์ของจอห์นฮัลล์ ตำราเรียนและอื่น ๆ ในเชิงลึกโดยทางการเงินอนุกรมเวลาแบบอย่าง Ruey Tsay ทำนายทายไม่ถูก แนวคิดของการทำนายย้ายไปอยู่ในราคาสินทรัพย์ตามรูปแบบ GARCH ดูเหมือนจะเป็นที่น่าตื่นเต้นและน่าตื่นเต้น กังวลเพียง แต่เราอาจจะมีแล้วตามที่ได้รับการยอมรับแล้วโดยเราเป็นความจริงที่ว่าค่าตอบแทนที่คาดการณ์ไว้คือ $ r_t = \ sigma_t \ epsilon_t $ กับ $ \ epsilon_t $ ที่จะ RV ที่มาจากการกระจายปกติของ $ N (0,1) $ ที่แสดงถึง $ r_t $ จะเป็นเช่น RV $ r_t \ ซิม N (0, \ sigma_t) $ รุ่นนี้เราได้รับอนุญาตที่จะขยายต่อไปเป็นรูปแบบที่น่าสนใจของ: r_t = \ หมู่ + \ sigma_t \ epsilon_t \ \ \ \ ซิม N (\ หมู่ \ sigma_t) $$ โดยที่ $ \ $ หมู่เราจะเข้าใจความหมายที่เรียบง่ายที่ผ่านมา $ k $ จุดข้อมูล: \ หมู่ = k ^ \ sum_ ^ r_ \ ทำให้เกิดช่องว่างในการเปิดกลยุทธ์การค้ากำไร หลังจากที่ในขณะอีกต่อไป QuantAtRisk กลับมาอยู่กับธุรกิจ ในฐานะที่เป็นผู้ประกอบการค้า algo ฉันได้รับการล่อลวงเสมอที่จะทดสอบช่องว่างในการเปิดกลยุทธ์การซื้อขาย มีหลายเหตุผลที่ได้ยืนอยู่ข้างหลัง แต่ที่นิยมมากที่สุดคือมักจะมีการหารือรอบ: ดี / ข่าวร้ายในสต็อก และอะไร? ราคาหุ้นพุ่งสูงขึ้น / ลงในวันดังต่อไปนี้ เมื่อเราเข้าใกล้ราคารูปแบบดังกล่าวเราพูดคุยเกี่ยวกับการเรียกหรือเหตุการณ์ที่เรียก หลักของกิจกรรมขั้นตอนวิธีคือบัตรประจำตัวเรียกและการดำเนินการที่เหมาะสมที่จะไปยาวหรือสั้น แค่นั้นแหละ. ในทั้งสองกรณีเราต้องการที่จะสร้างรายได้ ในบทความนี้เราจะออกแบบเงื่อนไขเริ่มต้นสำหรับกลยุทธ์การซื้อขายช่องว่างในการเปิดการแสดงของเราเป็นทริกเกอร์และเราจะ backtest สถานการณ์ที่เป็นจริงของการเดิมพันเงินของเราในหุ้นที่เปิดที่สูงขึ้นในการซื้อขายวันถัดไป เป้าหมายของเราคือการหาระยะเวลาการถือครองที่เหมาะสมที่สุดสำหรับการซื้อขายดังกล่าวปิดด้วยกำไร กลยุทธ์ของเราสามารถใช้ backtested $ N $ - asset ผลงานใด ๆ ที่นี่สำหรับความเรียบง่ายให้เราใช้ย่อยสุ่ม 10 หุ้น (portfolio. lst) เป็นส่วนหนึ่งของปัจจุบันดาวโจนส์ดัชนี: ผลงานการประยุกต์ใช้กับการเพิ่มประสิทธิภาพการบริหารความเสี่ยงโดยใช้ Matlab eBook ที่นำเสนอ ins ลึกหนาบางของปัญหาผลงานการเพิ่มประสิทธิภาพในการปฏิบัติ มันอธิบายในรายละเอียดพื้นหลังทางทฤษฎีที่สำคัญยืนอยู่ข้างหลังมองหาทางออกที่ดีที่สุดสำหรับผลงานของสินทรัพย์ใด ๆ ซึ่งจะรวมถึงรหัส MATLAB กว้างขวางพร้อมที่จะกลับมาทำงานและใช้เป็นส่วนหนึ่งของกลยุทธ์การจัดสรรสินทรัพย์ของคุณ ebook ที่กล่าวถึงข้อผิดพลาดและแนวคิดทั่วไปประเมินความเสี่ยงในกระบวนการลงทุน เขียนในทางที่มากขนาดกะทัดรัด แต่มีประสิทธิภาพดีเยี่ยม การออกแบบเป็นคู่มือการปฏิบัติพร้อมต่อการใช้งานสำหรับนักวิเคราะห์เชิงปริมาณนักลงทุนทางการเงินและผู้ประกอบการค้าอัลกอริทึม ฉบับที่ 1 ลายเซ็น QuantAtRisk คุณภาพ 350 + สายรหัส MATLAB รวม สิ่งที่คุณจะได้พบภายใน eBook ความเรียบง่ายของความซับซ้อนที่จำเป็น Matlab, ใกล้เป้าหมาย ผลงานภายใต้การก่อสร้าง ฮ่องกง 06:32 (แนะนำให้รู้จักกับแนวคิดซื้อขายสินทรัพย์) การเงินเวลา-Series (นิยามเว็บการเข้าถึงการดาวน์โหลดการประมวลผลก่อน) การวิเคราะห์ผลตอบแทน-Series (การประมวลผลข้อมูลที่จำเป็น) ผลงาน 2 สินทรัพย์ (ทฤษฎีผลงานที่ทันสมัย ผลงานที่เกี่ยวข้องกับมาตรการ) ชายแดนที่มีประสิทธิภาพสำหรับ 2 สินทรัพย์การลงทุน (ทฤษฎีและผลกระทบของความสัมพันธ์ระหว่างสินทรัพย์) ประมาณชายแดนมีประสิทธิภาพสำหรับ N-สินทรัพย์การลงทุน (การดำเนินงานผลงานการก่อสร้างวัตถุ) การเพิ่มประสิทธิภาพภายใต้ความเสี่ยง นิวยอร์กซิตี้ 09:06 (ผลงาน 30 สินทรัพย์ในทางปฏิบัติความเสี่ยงและผลตอบแทนจากผลกระทบทางประวัติศาสตร์ของการป้อนข้อมูลด้านของการเลือกผลงาน) ความเสี่ยงและผลตอบแทนสำหรับ N-สินทรัพย์การลงทุน (พีชคณิตรหัส MATLAB ในการดำเนินการ), การเพิ่มประสิทธิภาพปัญหาการผสมสูตร, เริ่มต้นการเพิ่มประสิทธิภาพปัญหาปัญหาการจัดสรรผลงานในที่ทำงาน (เลือกเป้าหมายการเพิ่มประสิทธิภาพความเสี่ยงหรือผลตอบแทน?), การเพิ่มประสิทธิภาพการลงทุนที่มีความเสี่ยงภายใต้การควบคุม (ความเข้าใจในการบริหารความเสี่ยงในการใช้ชีวิตอยู่) รับรองครั้งแรก ตามปกติ Pawel เกินความคาดหวังที่มีรูปแบบและเนื้อหา ผมพบว่า ebook นี้มีประโยชน์มากและรหัส Matlab ถูกเขียนได้เป็นอย่างดี จิมนาดส์นิวยอร์ค ฉันรู้สึกประหลาดใจโดยจำนวนต่ำของหน้า แต่ได้รับผลตอบแทนอย่างมหาศาลโดยเนื้อหา! รหัส MATLAB เป็นที่ดีเพียง! อิ่มแฟนที่ดีของเว็บไซต์ Pawel และ ebook ของครั้งแรกของเขาขยายความน่าเชื่อถือของเขาในฐานะ quant ที่มีความรู้ความเข้าใจของปัญหาทางการเงิน ริคาร์โด้เดอ Ferri ริโอเดจาเนโร ปัจจุบันฉันกำลังศึกษาระดับ CFA 2 ของฉันที่มากที่สุดของแนวคิดที่จะครอบคลุมในหนังสือของคุณได้เป็นอย่างดีและดังนั้นจึงเป็นเรื่องง่ายที่เกี่ยวข้องกับพวกเขา Rebinning Tick-FX ข้อมูลสำหรับอัลโกผู้ค้า ถ้าคุณทำงานหรือตั้งใจที่จะทำงานกับข้อมูล FX เพื่อสร้างและ backtest รุ่น FX ของคุณเองประวัติศาสตร์ Tick-ข้อมูล Pepperstone น่าจะเป็นสถานที่ที่ดีที่สุดที่จะเตะออกประสบการณ์อัลกอริทึมของคุณ สำหรับตอนนี้พวกเขามีเห็บข้อมูลชุดที่ 15 ส่วนใหญ่มีการซื้อขายบ่อยคู่สกุลเงินตั้งแต่เดือนพฤษภาคมปี 2009 บางส่วนของไฟล์ unziped (ข้อมูลหนึ่งเดือน) ถึงกว่า 400 ล้านบาทในขนาดเช่นการจัดเก็บ 8.5 + ล้านบรรทัดที่มีความละเอียดเห็บสำหรับ ทั้งการเสนอราคาและขอราคา สิ่งที่ดีคือคุณสามารถดาวน์โหลดได้ทุกค่าใช้จ่ายและคุณภาพของพวกเขาได้รับการยกย่องในฐานะที่สูงมาก สิ่งที่ดีคือมีความล่าช้า 3 เดือนในการเข้าถึงข้อมูล การจัดการกับกระบวนการ rebinning ถึงเห็บข้อมูล thats เรื่องที่แตกต่างและเรื่องของโพสต์นี้ เราจะเห็นว่ามีประสิทธิภาพคุณสามารถเปิด Pepperstones ชุด Tick-ข้อมูล (s) เป็น 5 นาทีอนุกรมเวลาเป็นตัวอย่าง เราจะใช้ประโยชน์จากการเขียนสคริปต์ในทุบตี (Linux / OS X) เสริมด้วยการประมวลผลข้อมูลในหลาม คุณสามารถดาวน์โหลดข้อมูล Pepperstones เห็บประวัติศาสตร์จากที่นี่ เดือนโดยเดือนคู่โดยคู่ โครงสร้างภายในของพวกเขาตามรูปแบบเดียวกันคือ: คอลัมน์จากซ้ายไปขวาแทนตามลำดับ: ชื่อคู่, วันที่และเวลาติ๊ก, ราคาเสนอซื้อและถามราคา ช่วยให้เล่นกับแฟ้มข้อมูล AUDUSD-2014-09.csv การทำงานในไดเรกทอรีเดียวกันที่ไฟล์นั้นตั้งอยู่ที่เราเริ่มต้นด้วยการเขียนสคริปต์ทุบตี (pp. scr) ที่ประกอบด้วย: