楼主: elephann
317 12

[程序化交易] 量化交易算法 [分享]

  • 1关注
  • 4粉丝

巫师

学科带头人

12%

还不是VIP/贵宾

-

威望
0
论坛币
5764 个
通用积分
4.0820
学术水平
48 点
热心指数
41 点
信用等级
26 点
经验
36439 点
帖子
1182
精华
0
在线时间
2023 小时
注册时间
2004-12-31
最后登录
2020-1-18

elephann 发表于 2020-1-11 16:00:40 |显示全部楼层
本人开发了一种算法交易方法:采用周频率数据学习和交易,下图是回测结果 (图中所有数据均为对数结果,比如EQRt是等权重收益,VWRt是市值加权组合收益。。。。。。) Screen Shot 2020-01-10 at 19.16.20.png

考虑到交易可行性,根据预测排序后我分别考察买卖排序各百分比、特定数量股票及全部预测标的,此外我也设计了两类对冲组合——市值中性和贝塔中性。从回测结果而言非常不错,比如上图中Long Only Population在过去一年类收益是49%,换算成简单收益率就是63%,而市场同期是33%,简单收益率是39%。
从去年9月9号开始,我又进行了实际预测和投资,下图是自从开始到现在实际结果:
捕获s.PNG

下图是上周预测及结果:
捕获.PNG

上周市场——沪深300上涨1.04%,算法组合1.07%。(按照算法每周一买卖,周五清盘结果)
从回测及实际交易来看都应该算还行(做空及对冲组合表现不算好可能与预测或者做空本身难度较大有关),所以我发这个帖子希望找人一起合作做点什么!~~

关键词:量化交易;股票;投资

独立精神,自由意志!
stata SPSS
elephann 发表于 2020-1-12 20:47:38 |显示全部楼层
是我这结果太烂,还是大家看不懂?:)
假设后一种情况,我再做点说明:
1 我这里使用的是deep learning算法,其实算法并非最重要的,最重要的是因子,或者一般说解释变量;
2 由于资产收益同时具有时间、横截面两个纬度,在学习过程中严格预防数据泄露异常重要;
3 我在这里面分别考察了等权重(EQ)、市值加权(VW)、价格加权(PW)、贝塔加权(BT)、逆残差波动率(IR)加权四种组合方式并与市场——沪深300进行比较,考察测度分别有累积收益(Rt)、夏普比率、max darwdown、drawdown ratio、pain index及预测股票数量(一方面考察预测区分度,另一方面考察各类投资者可操作性,其中Popltn是整体,即该类,比如纯粹做多样本总体)。以纯粹做多总体为例(所有报告收益均为对数收益),等权重组合累积收益49%,而沪深300同期33%;等权种组合的夏普比率是0.29,沪深300是0.24;max drawdown,等权重组合0.12,沪深300是0.11;drawdown ratio我界定为期间累计收益与max drawdown之比,考察收益与风险之比(这与很多度量中用年均值比max drawdown不同,由于max drawdown是个路径依赖度量,同期间比较可能更有意义)——等权重组合的drawdown ratio是3.97,而沪深300是2.97;pain index我界定为max drawdown Duration比期数,等权重组合pain index是0.06,沪深300是0.1。
最后,欢迎拍砖!~~
回复

使用道具 举报

elephann 发表于 2020-1-12 22:28:18 |显示全部楼层
太烂?还是看不懂?:)
回复

使用道具 举报

elephann 发表于 2020-1-12 22:37:26 |显示全部楼层
四种组合方式——等权重(EQ)、市值加权(VW)、价格加权(PW)、贝塔加权(BT)、逆残差波动率加权(IR)
四种测度——累积收益(Rt)、夏普比率、max drawdown(MD)、max drawdown Ratio(DR)、pain index(PI)
累积收益、夏普比率、max drawdown不说了,max drawdown Ratio是累积收益与max drawdown的比值,考察风险与收益权衡;pain index是drawdown duration与回测期比值,考察持续痛苦指数。
基准——沪深300指数
回复

使用道具 举报

tianjixuetu 在职认证  发表于 2020-1-14 09:57:36 |显示全部楼层
回测结果太短了,实盘吗?
回复

使用道具 举报

elephann 发表于 2020-1-14 15:34:50 |显示全部楼层
tianjixuetu 发表于 2020-1-14 09:57
回测结果太短了,实盘吗?
回测期是过去一年;实盘自去年9月9日至今。
training、validation、bcktesting选择主要考虑电脑计算容量和回测结果,增加training期并未明显改善回测结果。
回复

使用道具 举报

elephann 发表于 2020-1-14 15:37:41 |显示全部楼层
本周预测及迄今结果 捕获.PNG

捕获s.PNG

独立精神,自由意志!
回复

使用道具 举报

tianjixuetu 在职认证  发表于 2020-1-15 10:26:14 |显示全部楼层
什么软件做的?另外你只用去年一年,时间太短。最好做一个十年的,看下总体效果。
回复

使用道具 举报

elephann 发表于 2020-1-15 11:59:30 |显示全部楼层
tianjixuetu 发表于 2020-1-15 10:26
什么软件做的?另外你只用去年一年,时间太短。最好做一个十年的,看下总体效果。
什么软件做没有什么关系!通常无非R或者Python。
回测期很长,如你所说10年,可能从统计意义而言有道理,但交易而言关键效果——资产收益一般地,只具有有限可预测性——因而,这更接近所谓工程——结果更重要!你可以看看kaggle上2sigama的比赛,他的学习期很长,10年左右(里面你自己设定training和validation),但回测期只有1年左右——所有有期间的设定,无论training、validation或者testing(或者bcktesting)没有任何理论性的确定期限,一切以结果说话——就如那个kaggle比赛,除了回测还有2sigama自己的实际交易检验!https://www.kaggle.com/c/two-sigma-financial-news/data

[color=rgba(0, 0, 0, 0.7)]The custom python module also makes it simple to understand what steps are necessary to participate, telling you which assetsCodes to forecast at what time and, by extenstion, which days are market trading days. During stage one, the leaderboard will show performance on a historical period from 2017-01-01 to 2018-07-31. During stage two, Kaggle will re-run participants' selected Kernels on approximately six months of future data.


回复

使用道具 举报

tianjixuetu 在职认证  发表于 2020-1-16 14:00:11 |显示全部楼层
你这么短的时间,是不是抛硬币都能有一定的概率超过你?来个十年左右的回测曲线看下,才知道好坏
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 我要注册

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2020-1-18 15:31