量化交易
毕业设计(论文)
译文及原稿
译文题目:
|
量化交易
|
|
|
原稿题目:
|
Quantitative trading
|
|
|
原稿出处:
|
Gerov M. Quantitative TRADING[J]. Canadian Investment Review, 2006(4):9-17
|
量化交易
移动均线被认为是一种有效的工具来揭示趋势。表面上它移除噪声并通过平均数量被选定的观察值来使底层数据变得平滑。它被很多市场预测模型和交易策略所使用,经过充分证明的低阶序列相关性,并且拥有非线性的回报。来自一些发展中国家和发达国家的有实验的证据表明移动均线模型可以预测价格的背离并且在统计和经济上产生超过买入持有策略的超额回报,而且这并不能归咎于使用了非同步的交易数据和股息产生的疏漏。令人惊讶的是,同时搜索最优交易策略的遗传算法通常产生和移动均线一样的模型。这项研究在多伦多证券所利用s&p/tsx指数评估了十个有交易过滤频带和没有交易过滤频带的双移动平均线策略。这样的研究虽然与个人投资者比较相关,但对机构投资者也是有价值的,无论交易者是否拥有大量基于市场的投资,还是不以市场指数为基准将资金分散到没有相关性的各个市场的个人投资。
策略是简单的。当短期平均价格大于长期平均价格的时候保持多头头寸,当情况相反时保持空头头寸。滤波带是按固定百分比围绕着改变投资时必须穿过的短移动平均线的长移动均线的。这大概会使信号变弱。这些移动均线策略可以由MA(p,q,r)模型来总结,p是短周期的长度,q是长周期的长度,r是滤波带的尺寸大小。所以举个例子,MA(5,150,0,01)使用五日来计算短移动均线,长期的为150日,并且在长移动均线上下各布置1%的滤波带。
为了避免选择偏见,这项研究使用了和brock,lakonishok,lebaron相同的参数。Lto已经研究了在1977到1995年TSE 300股指数据上的移动均线策略。在这里,相同的样本被用来跟一些数量的样本对比分析。1996年到2003年超过八年多的数据,被收集并被作为抽样样本来使用。通过测试交易信号的随机性来评估策略的预测能力,因为常常非随机信号能为交易者带来超额收益。策略的经济表现之后通过对比简单的回报和总收益,调整风险和交易成本还有买入持有策略的收益情况。最终,策略经过一致性检查来查看她们是否随时间的变化而依然保持它们的排名。最好的会保持最好,最差的会保持最差吗?
分析表明策略产生非随机信号。尽管样本之间有较大的差异存在,单一个头寸的平均持有期和场头寸与短头寸的比例保持不变。所有的策略产生了超过买入并持有策略的超额回报,并且没有一个产生比被动方法更大的风险。表现最好的模型拥有负的betas。结果在各种标准下是差不多一致的,并且25个基点的交易成本是稳健的。模型的风险评估等级测试表明具有一定程度的预测能力。条件回报和无条件方差之间也显示出确定而且重要的关系,这说明能获得更高的收益在更多不稳定的时间里。
先前测试
Brock,Lakonishok和LeBaron(1992)在1897年到1986年的道琼斯工业平均指数(DJIA)数据上使用了移动均线和价格区间突破两个最受欢迎的ad-hoc交易模型。他们的发现是值得注意的因为每一个模型都产生了超过买入持有策略的超额收益。作者使用了一种自己引导的方法来解决权益回报的非正态性问题,对比了实际交易策略的回报和模拟交易过程产生的回报发现实际交易策略的回报和随机游走,自回归,GARCH-M,E-GARCH过程不是一致的。买入信号始终产生比卖出信号更高的回报,并且下面的买入信号的回报比那些跟踪卖出的信号更不稳定。Gencay(1998)记录了股票市场回报的非线性可预测性,而移动均线在更多波动的年份种至少经历了10%的预测提升。虽然Brock,Lakonishok和LeBaron在子样本交易模型中没有发现表现差异,但他们的工作表明,近期利润下滑。例如,Sullivan,Timmermann和White(1999)指出,从1987年到1996年的最佳模型,从1897年到1986年,在样本之外没有重复的优越表现。事实上,没有一个模型可以保持其盈利能力。他们提供三种可能的解释:样本之外是不具代表性的;交易模型本身不再具有代表性;市场变得更有效率。他们最后同意第三个,引用低成本计算能力,降低交易成本,增加流动性,可以提高市场的效率。 Ready(2002)报告了类似的结论,并推测华尔街的套利交易已经是模型,将机会返回最小。 Kwon和Kish(2002)使用从1962年到1962年,纽约证券交易所数据和从1973年到1996年的nasdaq数据,