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。

延迟进场/退场的好处是交易量少，成交量小。 

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。

SPYSPY.CASHSPY.CASH.BANDSPY.CASH.VOL.SIMPLESPY.CASH.VOLPeriodJan1993 - Feb2015Jan1993 - Feb2015Jan1993 - Feb2015Jan1993 - Feb2015Jan1993 - Feb2015Cagr9.49.912.19.28DVR41.978.391.483.874Sharpe56.783.697.190.877.1R273.993.794.192.396Win.Percent10041.110045.743.3Avg.Trade623.71.927.60.70.7MaxDD-55.2-20.1-19.1-15.9-22.3Num.Trades114612302254

接下来，让我们把相同的带状策略应用于TAA模型。 

SP500EWModelModel.BPeriodJun1996 - Feb2015Jun1996 - Feb2015Jun1996 - Feb2015Jun1996 - Feb2015Cagr8.28.69.810.6DVR28.764117.4127.9Sharpe49.269.3120.4132.7R258.492.497.596.5Win.Percent10059.964.464.6Avg.Trade335.70.10.20.2MaxDD-55.2-47.5-17.1-13.1Num.Trades11113930887

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

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测