در این مقاله مقدمه ای مختصر در مورد تجارت جفت از جمله مفهوم ، ریاضیات اساسی ، الگوریتم استراتژی ، توسعه ربات های معاملاتی ، ارزیابی پشتی و ارزیابی تست های حمل و نقل و بحث در مورد مشکلات آینده شرح داده شده است. به عنوان نمونه عملی ، این روبات با ارزهای رمزنگاری شده تجارت می کند.
مفهوم
معاملات جفت یک استراتژی معاملاتی بی طرف بازار است که از موقعیت طولانی با موقعیت کوتاه در یک جفت دارایی بسیار مشترک استفاده می کند.
سود این استراتژی از تفاوت تغییر قیمت بین دو ابزار حاصل می شود ، نه از جهت هر کدام حرکت می کند. بنابراین ، اگر موقعیت طولانی بیش از کوتاهتر بالا برود ، می توان سود حاصل کرد ، یا موقعیت کوتاه بیش از طولانی کاهش می یابد (در یک وضعیت عالی ، موقعیت طولانی بالا می رود و موقعیت کوتاه می افتد ، اما این یک الزام برای آن نیستسودآوری)این امکان وجود دارد که معامله گران جفت بتوانند در شرایط مختلف بازار سود کسب کنند ، از جمله دوره هایی که بازار بالا می رود ، پایین یا یک طرفه - و در دوره های نوسانات کم یا زیاد.
منبع: Investopedia
همبستگی در مقابل همبستگی
در معاملات کمی ، ما معمولاً با سری زمانی غیر ثابت کار می کنیم. غالباً ، مردم هنگام همکاری این دارایی برای دو دارایی در نظر می گیرند ، اما این اصطلاح در این زمینه از نظر ریاضی نادرست است. همبستگی پیرسون فقط برای متغیرهای ثابت تعریف شده است. همانطور که می بینیم ، این فرمول از مقادیر مورد انتظار و انحراف استاندارد استفاده می کند ، اما این مقادیر با گذشت زمان در فرآیندهای غیر ثابت تغییر می کنند.
برای این فرآیندها می توانیم ادغام را تعریف کنیم. ادغام به برخی از ترکیب های خطی ثابت از چندین سری زمانی غیر ثابت اشاره دارد. توضیح آسان که می توانید در این ویدیو پیدا کنید
این تصویر دو فرآیند (x و y) و گسترش آنها را نشان می دهد. این نمونه ای از همبستگی بدون ادغام است.
این مثال برعکس است (ادغام بدون همبستگی)
نحوه ساخت این فرایندها با استفاده از پایتون که می توانید در اینجا پیدا کنید.
برای رفتن به فصل بعد ، باید بدانیم که چگونه می توان ادغام را تشخیص داد.
سه روش اصلی برای آزمایش برای ادغام عبارتند از:
روش دو مرحله ای Engle-Granger
اگر XT و YT غیر ثابت باشند و یکپارچه شوند ، باید ترکیبی خطی از آنها ثابت باشد. به عبارت دیگر:
YT - βxt = UT ، جایی که UT ثابت است.
اگر UT را می شناختیم ، فقط می توانیم آن را برای ثابت بودن با چیزی شبیه به آزمایش دیکی - پررنگ ، تست فیلیپ س-پررون آزمایش کنیم و انجام شود. اما از آنجا که ما UT را نمی دانیم ، ابتدا باید این را به طور کلی با استفاده از مربع های معمولی معمولی تخمین بزنیم ، و سپس تست ثابت بودن خود را در سری UT تخمین زده شده اجرا کنیم.
2. تست یوهانسن
آزمایش Johansen یک آزمایش برای ادغام است که بر خلاف روش Engl e-Granger ، بیش از یک رابطه مشترک را امکان پذیر می کند ، اما این آزمایش در معرض خصوصیات بدون علامت ، یعنی نمونه های بزرگ است. اگر اندازه نمونه خیلی کوچک باشد ، نتایج قابل اعتماد نخواهد بود و باید از تاخیر توزیع شده خودکار (ARDL) استفاده کرد.
3. آزمون ادغام فیلیپ س-اولیاریس
پیتر C. B. فیلیپس و سام اوولیاریس (1990) نشان می دهند که تست های ریشه واحد مبتنی بر باقیمانده اعمال شده برای باقیمانده های همگرایی تخمین زده شده ، توزیع های معمول دیکی-مولف را تحت فرضیه تهی عدم ادغام ندارند. به دلیل پدیده رگرسیون مبهم تحت فرضیه تهی ، توزیع این آزمون ها دارای توزیع های بدون علامت است که به (1) تعداد اصطلاحات روند قطعی و (2) تعداد متغیرهایی که با استفاده از همزمان آزمایش می شوند ، بستگی دارد. این توزیع ها به عنوان توزیع فیلیپ س-اولیاریس شناخته می شوند و مقادیر بحرانی جدول بندی شده اند. در نمونه های محدود ، یک جایگزین برتر برای استفاده از این مقدار بحرانی بدون علامت ، تولید مقادیر مهم از شبیه سازی ها است.
منبع: ویکی پدیا
بیایید برخی از تجزیه و تحلیل ها را برای این مشکل کدگذاری کنیم. اول از همه ، داده ها را از BitFinex برای چندین ارز رمزنگاری بارگیری کنید (از 2018-01-01 تا 2018-05-31). مرحله بعدی ترسیم عملکرد ارزهای رمزپایه است. سرانجام ، تست ادغام را برای همه جفت دارایی ها انجام دهید.
عملکرد ارزهای رمزپایه است
خط تهیج این است که هیچ ادغام وجود ندارد ، فرضیه جایگزین این است که رابطه همگرایی وجود دارد. اگر مقدار p کوچک باشد ، زیر یک اندازه بحرانی ، پس می توانیم این فرضیه را رد کنیم که هیچ رابطه ادغام کننده ای وجود ندارد.
می توان نتیجه گرفت که برخی از این جفت ها با هم یکپارچه شده اند و می توانند برای تحقیقات بعدی انتخاب شوند.
استراتژی تجارت
هیچ رویکردی در معاملات جفت وجود ندارد که نحوه محاسبه گسترش و تجارت این امر را انجام دهد. برخی از رویکردها از رگرسیون خطی و باقیمانده به عنوان گسترش استفاده می کنند. ما از الگوریتم بعدی استفاده خواهیم کرد.
استراتژی الگوریتمی شامل این مراحل است:
- با یکی از روشهای توضیح داده شده در بالا (به عنوان مثال Engle-Granger) ، جفت های همبسته شده را شناسایی کنید. این مرحله باید به صورت دوره ای برای گرفتن یک جفت (یا چندین جفت) که در مراحل بعدی استفاده می شود ، انجام شود.
- تاریخچه قیمت دارایی ها را با طول n دریافت کنید. بازده هر دارایی (به عنوان مثال A و B) را در جفت محاسبه کنید
3. تفاوت بین بازده را محاسبه کنید
4- محاسبه نمره Z ، نمره Z تعداد انحرافات استاندارد از میانگین یک نقطه داده است.
این تصویر نمره z را نشان می دهد
5. قانون موقعیت را وارد کنید:
در صورت صحت این شرایط ، موقعیت طولانی (50 ٪ سرمایه) و موقعیت کوتاه برای B (50 ٪ سرمایه) را باز کنید
اگر این شرایط صحیح باشد ، موقعیت کوتاه را برای A و موقعیت طولانی برای B باز کنید
6. قانون موقعیت نزدیک را بررسی کنید:
اگر این شرایط صحیح باشد ، همه موقعیت ها را ببندید
بیایید این الگوریتم را با استفاده از چارچوب کاتالیزور کدگذاری کنیم. من در مقاله قبلی خود یک مقدمه سریع برای کاتالیزور ارائه دادم. اطلاعات مربوط به اولیه ، handle_data ، تجزیه و تحلیل و توابع RUN_ALGORIMTHOM که در آنجا پیدا می کنید.
یک رویکرد استاندارد استفاده از یک تقسیم قطار \ تست است ، اما ما در مورد ما نیز یک دوره تست ادغام داریم. این دوره ها نباید از هم جدا شوند. بنابراین ، ما داریم
دوره تست ادغام - 5 ماه (از 2018-01-01 تا 2018-05-31)
دوره پشتی - 4 ماه (از 2018-06-01 تا 2018-9-30)
دوره حمل و نقل - 2 ماه (از 2018-10-10 تا 2018-11-30)
اول از همه ، ما باید الگوریتم را تأیید کنیم. بیایید این اسکریپت را با استفاده از جفت XMR/USD و NEO/USD و هزینه های کمیسیون غیرفعال کنیم و مدل لغزش را خاموش کنیم.
همانطور که می بینیم منحنی بازگشت الگوریتم بسیار خوب است. به نظر می رسد که چگونه باید کار کند (نسبت بسیار بالا و بازده به مدت 4 ماه 164 ٪ است). کنسول عملکرد را خروجی می کند:
بازده کل: 1. 6415993234216582
Coef Cof: 30. 971434947620118
حداکثر پیش بینی: -0. 05125165292172551
پشتی
بیایید هزینه های کمیسیون و مدل لغزش را تنظیم کنیم
عملکرد ضعیف است و سهام (خط قرمز) به راحتی کاهش می یابد. معمولاً این اتفاق می افتد که یک استراتژی سیگنال های زیادی را با ارزش پایین سود متوسط ایجاد کند. کنسول عملکرد را خروجی می کند:
بازگشت کل: -0. 9160713719222552
Coef Coef: -11. 718587056499238
حداکثر پیش بینی: -0. 914893278444377
ما باید سعی کنیم تعداد سیگنال های تجاری را کاهش دهیم ، همچنین سود بالقوه معاملات باید زیاد باشد. من پیشنهاد می کنم مقدار min_spread را افزایش دهید ، 0. 035 تنظیم کنید ، این بدان معنی است که گسترش باید چند برابر بیشتر از هزینه های معاملات دور باشد. همچنین ، مقدار z_signal_in باید بالاتر باشد ، به عنوان مثالبرای فاصله 99. 99 ٪. بازه زمانی را می توان به یک مقدار بزرگتر (به عنوان مثال ساعتی) تغییر داد ، اما دوره تجزیه و تحلیل یکسان خواهد بود (3 روز).
این مجموعه از پارامترها به هدف ما می رسند. تعداد سیگنال ها کم است (خط رنگ زرد نشان دهنده اهرم استفاده شده است) ، و الگوریتم برای 4 ماه عملکرد مثبتی دارد:
بازده کل: 0. 0946758967277288
Coef Cof: 8. 399998343300492
حداکثر پیش بینی: -0. 028181546269574607
حمل و نقل
این مرحله تصویر واقعی تر از الگوریتم توسعه یافته را نشان می دهد. بیایید استراتژی داده های خارج از نمونه (2 ماه گذشته) را اجرا کنیم.
