Pca Negociação Estratégias

Tenho sido encarregado de pesquisar estratégias de negociação relacionadas PCA para a negociação de instrumentos de futuros de renda fixa Aparentemente PCA é freqüentemente usado nesta área Estou apenas à procura de algumas referências para a obtenção de uma idéia básica do que uma estratégia pode parecer que eu não estou procurando uma vitória Estratégia - apenas um esboço de como PCA pode ser útil na geração de sinais comerciais Eu entendo a matemática por trás PCA e usá-lo em outras áreas, mas suas aplicações para financiar são novos para mim. As melhores peças já escritas sobre este tópico são Princípios Salomon de Componentes Principais, que está prontamente disponível na Internet Eu não vou entrar nos detalhes, uma vez que este papel é ridiculamente abrangente, mas a idéia fundamental é direta - se você executar um PCA com base nos rendimentos, os três primeiros componentes capturam a maioria das variâncias, com os três fatores interpretados grosseiramente como o nível, inclinação e curvatura da curva. PCA é borboleta negociação, por exemplo, você pode comprar o contrato TY contra FV e WN ou você pode comprar EDZ6 contra EDZ5 e EDZ4 PCA permite que você t calcular os pesos de risco necessários para que as estruturas são neutras para os dois primeiros componentes principais Isso permite que você se concentrar Na negociação da curvatura da curva de rendimentos, sem assumir riscos de declive de nível. Respondida Jan 6 15 em 19 39.É uma observação empírica, mas muito um resultado de como a curva de rendimento é negociado se comporta Se decompor retornos da carteira de títulos ao longo do tempo Horizontes, você vai quase sempre achar que a duração ou seja, nível de rendimento bastante é o fator mais importante é também o que as pessoas falam sobre a mais rendimento de 10 anos fez BLAH hoje Slope é definitivamente a próxima coisa que s na mente das pessoas O Curvatura é quase nunca mencionado na imprensa, e é realmente um fator muito menor na condução de curvas de rendimento diário movimentos Helin Gai Jan 6 15 em 21 22.Você tem um multifatorial Modelo que toma como entradas cerca de 10,20 variáveis ​​exógenas fracamente estacionárias Então você pode usar PCA para obter apenas 3,4 variáveis ​​ortogonais, a fim de simplificar o seu modelo, sem perder muita informação que talvez primeiro 3.4 componentes principais explicam mais de 90 das variáveis ​​originais 10.20 variância total Por exemplo, os comerciantes técnicos muitas vezes usam muitos indicadores TA, tais como MACD, RSI, estocástico e assim por diante é provavelmente o primeiro componente principal destes indicadores explicar mais de 95 de todos os indicadores de variação Lisa Ann May 2 13 at 9 54.To Responder às suas perguntas, temos de dar uma olhada para o que faz. PCA é matematicamente definida como uma transformação linear ortogonal que transforma os dados para um novo sistema de coordenadas, de tal forma que os vetores de notícias são ortogonais e explicar a parte principal da variância do primeiro Set. It tomou um matrice N x M como entrada, N representa a repetição diferentes da experiência e M os resultados de uma determinada sonda Ele lhe dará instruções ou Componentes principais que explicam a variação de seu dataset. Assim tudo depende do que você entra para o seu PCA Eu uso PCA para olhar a correlação de mercado, então eu introduzir os preços M mais de N vezes Você pode entrar diferentes gregos medida, os futuros de um único estoque Para dar uma olhada em sua dinâmica Meu uso dará a correlação de um preço das ações com o mercado, conhecido como beta, o outro uso irá dar correlação entre os diferentes indicadores técnicos de um estoque E bem eu acho que você pode obter alguns resultados interessantes com differents Indicadores sobre estoques diferentes. Não se esqueça de pré-processamento Como você pode ver aqui Sincronização de dados há alguns problemas complicados com datas. It mercado também depende do que você faz com seus resultados Você pode usar algum critério para remover componentes com pouca variação para Reduzir a dimensão de seu conjunto de dados Este é o objetivo usual de PCA Dá-lhe um número reduzido de ações para construir um portfólio, para estimar curvas de risco de lucro Mas você também pode fazer mais complexo post tr Aqui você pode ver um uso de PCA combinado com a teoria aleatória da matriz para remover o ruído do market. PCA é uma ferramenta, uma ferramenta muito poderosa, mas apenas uma ferramenta seus resultados dependerá de como você o usa O risco é usar Você sabe o que eles disseram, se você tem um martelo cada problema parece um prego. Em um post anterior eu apresento como se pode usar o componente principal Análise para derivar fatores de risco Também, usando o PCA, o eigenportfolio diferente pode ser A idéia baseia-se no princípio da coerência, ver Avellaneda 2002, quando as empresas são classificadas de acordo com seus coeficientes em um determinado autovetor, as empresas da mesma indústria ou setor são agrupadas. O gráfico dos coeficientes classificados Vs as empresas correspondentes ajudam a notar que, os vizinhos de uma determinada empresa tendem a estar no mesmo grupo de indústria. Em este post, eu apresento uma metodologia de negociação de pares onde os pares são formados usando o PCA eo cohere Nce princípio Esta é apenas uma forma de fazer, eu estou apresentando uma metodologia. O princípio de coerência manter neste caso, os estoques da mesma indústria são agrupados Para fins de ilustração, eu uso os estoques de topo no autovetor terceiro Estes estoques pertencem a O mesmo setor Basic Materials. I escolher dois candidatos para testar o par estratégia comercial SWN e CNX Eu não afirmo que esta é a melhor escolha ou a melhor estratégia, como eu disse, este é apenas um how-to-do. For simplicidade , As duas séries estão no mesmo arquivo. Aqui está o código R. Carregar o library. library tseries Ler um arquivo nomeado em R. Definir as duas variáveis ​​usadas para testar o par trading strategy. swn dataS, 2 cnx dataS, 3. Modelo de regressão linear simples sem intercepto E construção do spread S y-hedgeratio x beta representando o primeiro coeficiente do modelo é o hedgeratio. cnx 0 beta coef lmresult 1 spread swn-beta cnx. Teste de cointegração usando o teste de Dickey-Fuller aumentado para a raiz unitária O teste é executar em nível 5 estacionário alternativo, k 0 se 0 05 gato A propagação é provável média reverter n outro gato A propagação não é reverter a média n. Separe os dados no conjunto de treinamento e teste definido para Backtest a estratégia de negociação par e otimizar seus parâmetros. Definir índices para o treinamento set. trainset 1 100 1 comprimento dataS, 1 2 testset comprimento da composição 1 comprimento dataS, 1. Determina o coeficiente de hedge no conjunto de treino O modelo de regressão linear simples na composição determina a propagação de uma série de tratamentos de cnx, hedgeratio coef lmresult. Descrição do Spread. spreadMean média propagação de ramos, cat Spread Média, spreadMean, n spreadStdDev sd espalhar ramos, gato Spead Desvio padrão, spreadStdDev, n. Z-score do Spread. Estratégia definida Buy Spread quando o valor cai abaixo de 2 desvios padrão e shorts spread quando seu valor sobe acima de 2 desvios-padrão zcore tem desvio padrão 1. Exir posiciona quando o spread dentro de 1 desvio padrão de sua média. Definir as posições matrix. posMatrix matrix NaN, comprimento dataS, 1, 2 posMatrix longPos, 1 1 posMatrix longPos, 2 -1 posMatrix shortPos, 1 -1 posMatrix shortPos, 2 1 posMatrix existPos, 0.Return dataS, 2 3 - lagg dataS , 2 3 lagg dataS, 2 3.sharpeTrainset sqrt comprimento trena significa pnl 2 comprimento trainset sd pnl 2 comprimento trainet gato a taxa de sharpe no conjunto de treinamento é, sharpeTrainset, n. Sharpe Ratio em testset. sharpeTestset sqrt comprimento testset média pnl testset sd pnl testset gato a relação sharpe no conjunto de teste é, sharpeTestset, n. 1, 1, dados de comprimento 1 x 1, dados de comprimento 1 1, 1 e 2 dados de comprimento 1, 1, 2 x 1 dadosS, 1, 1, 2 retorno y.