原文链接:http://tecdat.cn/?p=23141
原文出处:拓端数据部落公众号
定量战术资产配置策略(QATAA)模型是使用10个月的移动平均线作为过滤器。如果在月末,资产的价格高于移动平均线,就留在市场中;否则就会离开市场。
10个月有什么特别之处;为什么10个月对所有资产和区制都是不变的。我提出了根据历史波动率来调整移动平均线回溯的想法。也就是说,在高波动时期,较短的移动平均线会让我们更快地离开市场,而在低波动时期,较长的移动平均线会让我们留在市场中。但是,这导致了更差的结果。
我花了一些时间分析基础的10个月移动平均线策略,看到了相当大的损失,简单的解决方法是在10个月移动平均线周围使用+/-5%的区间,以减少损失,增加收益。
下面我将展示这个概念是如何运作的。
-
#*****************************************************************
-
# 加载历史数据
-
#*****************************************************************
-
-
-
# 加载保存的代理原始数据
-
-
-
tickers = \'
-
SPY
-
CASH = SHY + TB3Y
-
\'
-
-
#*****************************************************************
-
# 用来显示信号的辅助函数
-
#*****************************************************************
-
-
-
signal = iif(model == \'base\', prices > sma,
-
-
-
-
#基于信号创建一个模型
-
-
share(data, clean.signal=T, silent=T)
-
-
# 创建一个图来显示信号
-
-
plot(p[dates] ,type=\'l\', plotX=F, x.highlight = highlight)
visuali(\'2000::2001\')
延迟进场/退场的好处是交易量少,成交量小。
-
#*****************************************************************
-
# 设置
-
#*****************************************************************
-
-
models = list()
-
-
#*****************************************************************
-
# SPY
-
#******************************************************************
-
-
run(data)
-
-
#*****************************************************************
-
# SPY + 10个月过滤器
-
#******************************************************************
-
apply(prices, SMA, 10*22)
-
-
iif(prices > sma, 1, 0)
-
CASH = 1 - ifna( ifna(SPY), 0)
-
-
#*****************************************************************
-
# SPY+10个月+5/-5%过滤器
-
#******************************************************************
-
(cross(prices, sma * 1.05), (prices, sma * 0.95), 0, NA)
-
我还包括了我对动态回测移动平均线的尝试,但在这种形式下,并不实用。
-
#*****************************************************************
-
# SPY + 基于波动率的动态过滤器
-
#******************************************************************
-
vol = matrix(ret, SD, n = 21)
-
if(vol.rank < 0.5, bt(prices, SMA, 10*22),matrix(prices, SMA, 1*22))
-
-
data$w
-
-
#*****************************************************************
-
# SPY+基于波动率的动态过滤器;多个级别
-
#******************************************************************
-
nbreaks = 5
-
-
sma.cash = sma * NA
-
for(i in 1:nbreaks) {
-
temp = data(matrix(prices, SMA, (nbreaks - i + 1)* 2 *22)
-
-
}
-
-
-
#*****************************************************************
-
# 报告
-
#*****************************************************************
-
plot(models)
SPY | SPY.CASH | SPY.CASH.BAND | SPY.CASH.VOL.SIMPLE | SPY.CASH.VOL | |
---|---|---|---|---|---|
Period | Jan1993 - Feb2015 | Jan1993 - Feb2015 | Jan1993 - Feb2015 | Jan1993 - Feb2015 | Jan1993 - Feb2015 |
Cagr | 9.4 | 9.9 | 12.1 | 9.2 | 8 |
DVR | 41.9 | 78.3 | 91.4 | 83.8 | 74 |
Sharpe | 56.7 | 83.6 | 97.1 | 90.8 | 77.1 |
R2 | 73.9 | 93.7 | 94.1 | 92.3 | 96 |
Win.Percent | 100 | 41.1 | 100 | 45.7 | 43.3 |
Avg.Trade | 623.7 | 1.9 | 27.6 | 0.7 | 0.7 |
MaxDD | -55.2 | -20.1 | -19.1 | -15.9 | -22.3 |
Num.Trades | 1 | 146 | 12 | 302 | 254 |
-
-
barplot(turnover, data)
接下来,让我们把相同的带状策略应用于TAA模型。
-
#加载保存的代理原始数据
-
-
data <- new.env()
-
-
getSymbols(tickers, src = \'yahoo\')
-
-
#*****************************************************************
-
# 设置
-
#*****************************************************************
-
universe = prices > 0
-
-
models = list()
-
-
#*****************************************************************
-
# 基准
-
#*****************************************************************
-
weight[] = NA
-
-
#*****************************************************************
-
#The [战术性资产配置策略的量化方法(QATAA) Mebane T. Faber](http://mebfaber.com/timing-model/)
-
#[SSRN ](http://papers.ssrn.com/sol3/papers.cfm?abstract_id=962461)
-
#*****************************************************************
-
-
weight = iif(prices > sma, 20/100, 0)
-
run(data)
-
-
#*****************************************************************
-
# bands替代方案 移动平均
-
#*****************************************************************
-
signal = if(cross(prices, sma * 1.05), 1, iif(cross.dn(prices, sma * 0.95), 0, NA))
-
-
#*****************************************************************
-
# 报告
-
#*****************************************************************
-
#performance(models, T)
SP500 | EW | Model | Model.B | |
---|---|---|---|---|
Period | Jun1996 - Feb2015 | Jun1996 - Feb2015 | Jun1996 - Feb2015 | Jun1996 - Feb2015 |
Cagr | 8.2 | 8.6 | 9.8 | 10.6 |
DVR | 28.7 | 64 | 117.4 | 127.9 |
Sharpe | 49.2 | 69.3 | 120.4 | 132.7 |
R2 | 58.4 | 92.4 | 97.5 | 96.5 |
Win.Percent | 100 | 59.9 | 64.4 | 64.6 |
Avg.Trade | 335.7 | 0.1 | 0.2 | 0.2 |
MaxDD | -55.2 | -47.5 | -17.1 | -13.1 |
Num.Trades | 1 | 1113 | 930 | 887 |
-
layout(1)
-
barplot(sapply(models,turnover)
带状逻辑很容易实现,增加了收益。
最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析