欢迎光临散文网 会员登陆 & 注册

拓端tecdat|R语言动量交易策略分析调整后的数据

2021-06-30 23:25 作者:拓端tecdat  | 我要投稿

原文链接：http://tecdat.cn/?p=18686

原文出处：拓端数据部落公众号

用于动量策略中所谓的动量（Momentum），是指某一对象所具有的一种倾向于保持其原有属性或特征的性质，也可以简单理解成一种惰性（Inertia）。股票的动量，简单地说就是涨的还会接着涨，跌的还会接着跌；过去涨得越猛，未来涨的也就越猛；过去跌得越狠，未来也会跌的越狠。

下面，本文将尝试将动量策略应用于调整后的数据（历史价格，股息和拆分数据，以预测公司的未来或获得市场见解）：

  1. #*****************************************************************

  2. # 加载一天结束时的历史数据

  3. #*****************************************************************


  5. # 股票代码

  6. tickers = '

  7. AGG

  8. DBC

  9. EEM

  10. EFA

  11. '




  15. getSymbols.extra(tickers, src = 'yahoo', from = '1970-01-01', env = data, set.symbolnames = T, auto.assign = T)


  17. #*****************************************************************

  18. # 构建另一个不含股利的价格调整后的回测环境

  21. #*****************************************************************


  23. for(i in data$symbolnames) data.price[[i]] = adjustOHLC(data[[i]], symbol.name=i, adjust='split', use.Adjusted=F)



  26. #*****************************************************************

  27. # 调整价格

  28. #*****************************************************************

  29. for(i in data$symbolnames) data[[i]] = adjustOHLC(data[[i]], use.Adjusted=T)

  30. prep(data, align='keep.all')

我们构建了两个环境：

  • 包含拆分和股息调整后的价格

  • 仅包含调整后的价格



  4. #*****************************************************************

  5. # 排名60天变化率

  7. #******************************************************************

  8. return = prices / mlag(prices,60) - 1

  9. position.score = iif(return < 0, NA, return)

  10. data$weight[period.ends0,] = ntop(position.score[period.ends1,], 1)

  14. #*****************************************************************

  15. # 60/120天的排名变化率

  16. #******************************************************************

  17. return = prices / mlag(prices,60) - 1 + prices / mlag(prices,120) - 1

  18. position.score = iif(return < 0, NA, return)

  21. data$weight[period.ends0,] = ntop(position.score[period.ends1, , 1)

  24. #*****************************************************************

  25. # 创建报表

  26. #*****************************************************************

  27. plot(models)


  2. mom60 mom120

  3. Period Jan2002 - Mar2015 Jan2002 - Mar2015

  4. Cagr 18.05 15.47

  5. Sharpe 0.89 0.76

  6. DVR 0.85 0.7

  7. R2 0.95 0.92

  8. Volatility 21.26 22.21

  9. MaxDD -33.49 -51.75

  10. Exposure 94.36 94.36

  11. Win.Percent 63.76 62.42

  12. Avg.Trade 1.69 1.49

  13. Profit.Factor 2.24 2

  14. Num.Trades 149 149

  1. models$mom60 weight entry.date exit.date nhold entry.price exit.price return

  2. SPY 100 2013-06-28 2013-07-31 33 155.04 163.06 5.17

  3. XLV 100 2013-07-31 2013-08-30 30 49.88 48.12 -3.53

  4. XLV 100 2013-08-30 2013-09-30 31 48.12 49.66 3.20

  5. FXI 100 2013-09-30 2013-10-31 31 35.92 36.40 1.34

  6. EEM 100 2013-10-31 2013-11-29 29 41.16 41.05 -0.27

  7. XLV 100 2013-11-29 2013-12-31 32 54.24 54.64 0.75

  8. SPY 100 2013-12-31 2014-01-31 31 180.35 173.99 -3.53

  9. XLV 100 2014-01-31 2014-02-28 28 55.16 58.59 6.22

  10. IYR 100 2014-02-28 2014-03-31 31 65.72 65.81 0.14

  11. IYR 100 2014-03-31 2014-04-30 30 65.81 67.81 3.04

  12. EEM 100 2014-04-30 2014-05-30 30 40.42 41.62 2.97

  13. EEM 100 2014-05-30 2014-06-30 31 41.62 42.62 2.40

  14. IYR 100 2014-06-30 2014-07-31 31 70.41 70.33 -0.11

  15. FXI 100 2014-07-31 2014-09-30 61 39.96 37.80 -5.41

  16. UUP 100 2014-09-30 2014-10-31 31 22.87 23.09 0.96

  17. XLV 100 2014-10-31 2014-11-28 28 67.02 69.35 3.48

  18. XLV 100 2014-11-28 2014-12-31 33 69.35 68.38 -1.40

  19. IYR 100 2014-12-31 2015-01-30 30 76.84 81.23 5.71

  20. IYR 100 2015-01-30 2015-02-27 28 81.23 79.12 -2.60

  21. FXI 100 2015-02-27 2015-03-30 31 43.76 44.74 2.24

接下来，我们考虑以下3种设置：

  • “已调整”-拆分和股息调整后的价格数据。信号和损益仅从调整后的数据时间序列中得出。

  • “实际”-仅使用拆分后的调整数据，尚未对股息进行调整。信号和损益仅从唯一的拆分调整后的数据时间序列中得出。

  • “混合”-使用“实际”时间序列生成信号，使用“调整”时间序列进行损益计算。

  1. #*****************************************************************

  2. # 辅助函数

  3. #******************************************************************


  7. return = prices / mlag(prices,60) - 1

  8. position.score = iif(return < 0, NA, return)

  11. return = prices / mlag(prices,60) - 1 + prices / mlag(prices,120) - 1

  12. position.score = iif(return < 0, NA, return)

  15. models[[paste0('mom120',name)]] =run(data, clean.signal=F, commission = commission, trade.summary=T, silent=T)


  17. models

  19. #*****************************************************************

  20. # 安装

  21. #******************************************************************

  23. all.models = c(all.models, strategy(prices.adj, data, 'Adjusted'))

  26. #*****************************************************************

  27. # 创建报表

  28. #*****************************************************************

  30. plot(models

print(plotbt.strateg(models, make.plot=F,


  2. mom60Adjusted mom60Actual mom60Hybrid

  3. Period Jan2002 - Mar2015 Jan2002 - Mar2015 Jan2002 - Mar2015

  4. Cagr 18.05 15.02 17.22

  5. Sharpe 0.89 0.76 0.85

  6. DVR 0.85 0.73 0.82

  7. R2 0.95 0.96 0.96

  8. Volatility 21.26 21.33 21.33

  9. MaxDD -33.49 -35.99 -33.74

  10. Exposure 94.36 92.44 92.44

  11. Win.Percent 63.76 62.33 63.01

  12. Avg.Trade 1.69 1.49 1.67

  13. Profit.Factor 2.24 1.98 2.15

  14. Num.Trades 149 146 146



  3. plotbt(models, plotX = T, log = 'y'

print(plotstrategy)


  2. mom120Adjusted mom120Actual mom120Hybrid

  3. Period Jan2002 - Mar2015 Jan2002 - Mar2015 Jan2002 - Mar2015

  4. Cagr 15.47 13.61 15.66

  5. Sharpe 0.76 0.69 0.77

  6. DVR 0.7 0.64 0.73

  7. R2 0.92 0.92 0.94

  8. Volatility 22.21 22.08 22.07

  9. MaxDD -51.75 -49.93 -47.15

  10. Exposure 94.36 92.47 92.47

  11. Win.Percent 62.42 60.96 61.64

  12. Avg.Trade 1.49 1.37 1.54

  13. Profit.Factor 2 1.9 2.02

  14. Num.Trades 149 146 146

经调整后的数据表现优于实际数据和混合数据。

最受欢迎的见解

1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用

2.R语言GARCH-DCC模型和DCC（MVT）建模估计

3.R语言实现 Copula 算法建模依赖性案例分析报告

4.R语言COPULAS和金融时间序列数据VaR分析

5.R语言多元COPULA GARCH 模型时间序列预测

6.用R语言实现神经网络预测股票实例

7.r语言预测波动率的实现：ARCH模型与HAR-RV模型

8.R语言如何做马尔科夫转换模型markov switching model

9.matlab使用Copula仿真优化市场风险


标签：

拓端tecdat|R语言动量交易策略分析调整后的数据的评论 (共 条)

分享到微博请遵守国家法律