Var 거래 전략

Var 거래 전략
App Store를 통해 가져 오기 우리의 응용 프로그램 에서이 게시물을 읽으십시오!
R : 거래 전략을 역행하십시오. Quantumod와 R. 에 초보자.
나는 R에 매우 익숙하며 WealthLab에서 이미 프로그래밍 한 전략을 다시 테스트하려고합니다.
내가 이해하지 못하는 몇 가지 것들 (그리고 그것은 분명히 작동하지 않습니다 :)
가까운 가격을 멋지게 벡터에 넣지는 않습니다. 또는 어떤 종류의 벡터지만 구조로 시작하고 나는이 함수가 무엇을하는지 정말로 이해하지 못한다. 그게 내 시리즈 [, 1] 호출이 아마 작동하지 않는 이유입니다.
n - nrow (series)도 작동하지 않지만 Loop에 필요합니다.
그래서이 두 가지 질문에 대한 답변을 얻으려면 내 전략이 효과가 있다고 생각합니다. 어떤 도움을 주셔서 감사합니다. R은 다른 언어로 프로그래밍 경험을해도 매우 복잡해 보입니다.
두 번째 질문부터 시작합니다.
따라서 실제 xts 객체에서 작업하려면 get을 사용해야합니다.
귀하의 첫 번째 질문에 대해 - 나는 당신이 정말로 벡터로 데이터를 가져올 필요가 없다고 생각합니다 - xts 객체는 날짜별로 인덱싱 된 배열이며 작업하기 쉽습니다. 그래도 데이터를 얻으려면 사용할 수 있습니다.
이제 전략의 간단한 백 테스트를 시작하려면 다음 단계를 수행하는 것이 좋습니다.
전략을 정의하십시오. 2. 배열을 생성하거나 각 요일의 위치를 ​​나타내는 열을 xts 객체에 추가하십시오. 1은 길고, 0은 위치가 없으며 -1은 짧습니다 (나중에는 레버리지 번호로 게임을 할 수 있습니다). 3. 매일의 수익을 포지션과 곱하면 전략의 리턴 벡터를 얻을 수 있습니다. 4. 결과를 검토하십시오 - 내 추천은 PerformanceAnalytics입니다.
간단한 전략 - SMA20을 닫을 때 구매하십시오.

가치가있는 위험 - VaR.
'Value At Risk - VaR'이란 무엇입니까?
Value at risk (VaR)는 특정 기간 동안 회사 또는 투자 포트폴리오 내의 재무 위험 수준을 측정하고 수치화하는 데 사용되는 통계 기법입니다. 이 메트릭은 투자 및 상업 은행이 기관 포트폴리오의 잠재적 손실 범위와 발생 비율을 결정하는 데 가장 일반적으로 사용됩니다. VaR 계산은 특정 포지션이나 포트폴리오 전체에 적용되거나 기업 전체의 위험 노출을 측정 할 수 있습니다.
위험에 처한 가치 - VaR '을 깨고
VaR 적용.
투자 은행은 자주 독립적 인 트레이딩 데스크가 높은 상관 관계의 자산에 회사를 의도하지 않게 노출시킬 가능성 때문에 VaR 모델링을 기업 전반의 위험에 적용합니다. 기업 전반의 VaR 평가를 사용하면 기관 내의 다른 거래 데스크 및 부서에서 집계 된 누적 위험을 결정할 수 있습니다. VaR 모델링에서 제공하는 데이터를 사용하여 금융 기관은 손실을 충당하기위한 충분한 자본 보유가 있는지 또는 수용 가능한 수준 이상의 위험으로 집중적 인 지분을 줄여야 하는지를 결정할 수 있습니다.
VaR 계산상의 문제점.
자산, 포트폴리오 또는 회사 전체 위험을 결정하는 데 사용되는 통계에 대한 표준 프로토콜은 없습니다. 예를 들어, 변동성이 낮은 기간에서 임의로 추출한 통계는 잠재적 인 규모뿐만 아니라 위험 이벤트 발생 가능성을 과소 평가할 수 있습니다. 일반적으로 극단적 인 또는 검은 색 백조 사건을 설명하지 않는 정규 분포 확률을 사용하여 위험을 추가로 줄일 수 있습니다.
잠 재적 손실의 평가는 결과의 범위에서 가장 낮은 위험도를 나타냅니다. 예를 들어, 20 %의 자산 위험을 가진 95 %의 VaR 결정은 평균 20 일마다 적어도 20 %의 손실을 기대합니다. 이 계산에서 50 %의 손실은 위험 평가를 여전히 유효하게합니다.
비교적 문제가되는 VaR 계산은 서브 프라임 모기지 포트폴리오로 인한 위험 발생 가능성을 줄 였으므로 이러한 문제는 2008 년의 금융 위기에서 드러났습니다. 위험 규모도 과소 평가되어 서브 프라임 포트폴리오 내에서 극단적 인 레버리지 비율을 초래했습니다. 결과적으로, 서브 프라임 모기지 가치가 붕괴됨에 따라 발생 및 위험 규모의 과소 평가로 인해 기관들은 수십억 달러의 손실을 충당 할 수 없었습니다.

QuantStart.
빠르게 성장하는 소매점 퀀텀 트레이더 커뮤니티를 지원하는 Quantcademy 개인 회원 포털에 가입하십시오. 당신은 당신의 가장 중요한 퀀트 트레이딩 질문에 대답 할 준비가되어있는 지식이 풍부하고 마음이 맞는 퀀트 트레이더 그룹을 찾을 수 있습니다.
퀀트 트레이딩에 관한 나의 eBook을 확인해보십시오. 여기서 저는 파이썬 툴로 수익성 높은 체계적인 트레이딩 전략을 만드는 법을 가르쳐드립니다.
Python 및 R을 사용하여 시계열 분석, 기계 학습 및 베이지안 통계를 사용하는 고급 거래 전략에 관한 새로운 전자 책을 살펴보십시오.
2014 년 7 월 7 일 Michael Halls-Moore 작성
알고리즘 트레이딩 전략이나 전략 포트폴리오에 대한 손실 위험을 예측하는 것은 장기적인 자본 성장에 매우 중요합니다. 위험 관리를위한 많은 기술이 제도적 환경에서 사용하기 위해 개발되었습니다. 특히 Value at Risk 또는 VaR로 알려진 기술 중 하나가이 기사의 주제가 될 것입니다.
VaR의 개념을 단일 전략 또는 일련의 전략에 적용하여 거래 포트폴리오의 위험을 수량화하는 데 도움을 줄 것입니다. VaR의 정의는 다음과 같습니다.
VaR은 특정 기간 동안 포트폴리오의 손실 규모를 주어진 신뢰 수준으로 추정합니다.
이 예에서 "포트폴리오"는 단일 전략, 전략 그룹, 상인 책, 소품 데스크, 헤지 펀드 또는 전체 투자 은행을 의미 할 수 있습니다. "주어진 신뢰도"는 말하자면 95 % 또는 99 %의 값입니다. "주어진 기간"은 포트폴리오가 청산되는 경우 최소한의 시장 영향을 가져 오는 것을 반영하기 위해 선택 될 것입니다.
예를 들어 하루 동안의 기간 동안 95 % 신뢰 수준에서 500,000 USD와 동일한 VaR은 다음 날에 500,000 USD 이상을 잃을 확률이 95 %라고 간단히 명시합니다. 수학적으로 이것은 다음과 같이 표현됩니다 :
\ begin P (L \ leq -5.0 \ times 10 ^ 5) = 0.05 \ end.
또는, 보다 일반적으로, 손실 $ L $가 우리가 갖는 신뢰 수준 $ c $로 $ VaR $을 초과하는 경우 :
\ begin P (L \ leq - VaR) = 1-c \ end.
VaR의 "표준"계산은 다음과 같이 가정합니다.
표준 시장 조건 - VaR은 극단적 인 사건 또는 "꼬리 위험"을 고려하지 않고 오히려 정상적인 "일상적"운영 하에서 손실의 기대를 제공하기로되어 있습니다. 휘발성 및 상관 관계 - VaR에는 고려중인 자산의 변동성과 해당 상관 관계가 필요합니다. 이 두 양은 추정하기 까다로 우며 계속적인 변경의 대상이됩니다. 수익률의 정상 - VaR은 표준 형태로 자산 또는 포트폴리오의 수익이 정상적으로 분배되었다고 가정합니다. 이것은보다 직접적인 분석 계산을 유도하지만, 대부분의 자산에 대해서는 비현실적입니다.
장점과 단점.
VaR은 금융 업계에서 널리 보급되어 있으므로 기술의 이점과 단점에 익숙해야합니다. VaR의 장점 중 일부는 다음과 같습니다.
VaR은 개별 자산, 전략, 수량 포트폴리오, 헤지 펀드 또는 은행 소품 데스크를 계산하는 데 매우 간단합니다. VaR과 관련된 기간은 다른 시간대가있는 여러 거래 전략에 대해 수정할 수 있습니다. VaR의 다른 값은 다양한 위험 형태와 관련 될 수 있습니다 (예 : 자산 클래스 또는 계기 유형별로 분류 됨). 따라서 예를 들어 대부분의 포트폴리오 위험을 클러스터링 할 수있는 곳을 쉽게 해석 할 수 있습니다. 개별 전략은 개별 VaR을 기반으로 전체 포트폴리오와 마찬가지로 제약을받을 수 있습니다. VaR은 기술자가 아닌 외부 투자자 및 펀드 매니저가 (잠재적으로) 해석 할 수 있습니다.
그러나 VaR에는 단점이 없습니다.
VaR은 예상 손실의 크기를 VaR의 가치를 넘어서서 논의하지 않습니다. 즉, VaR은 가치를 초과하는 손실을 보게 될 것이지만 초과하는 것은 아니라고합니다. 극단적 인 사건을 고려하지 않고 전형적인 시장 조건 만 고려합니다. 역사적 데이터를 사용하고 있기 때문에 (미래 지향적 인) 미래의 시장 체제 변동을 고려하지 않을 것이며 이는 변동성 및 자산 상관 관계를 변화시킬 수 있습니다.
VaR은 격리하여 사용하면 안됩니다. 그것은 항상 다양 화, 최적의 포트폴리오 할당 및 신중한 레버리지 사용과 같은 일련의 리스크 관리 기술과 함께 사용해야합니다.
계산 방법.
현재 우리는 일반적인 경우 또는 구체적인 거래 예에서 VaR의 실제 계산을 논의하지 않았습니다. 우리에게 흥미로운 세 가지 기술이 있습니다. 첫 번째는 분산 공분산 (normality assumptions)을 사용하는 방법이고, 두 번째는 몬테 카를로 (Monte Carlo) 방법 (잠재적으로 비정상적인 분포를 기반으로하는 잠재적 인 것)이며, 세 번째는 과거의 반품 정보를 사용하는 역사적인 부트 스트랩으로 알려져 있습니다 고려중인 자산의 경우
이 글에서는 Variance-Covariance Method에 집중할 것이며, 후기 기사에서는 Monte Carlo 및 Historical Bootstrap 방법을 고려할 것입니다.
분산 - 공분산 방법.
신뢰 수준 $ c $로 $ P $ 달러의 포트폴리오를 고려하십시오. 우리는 자산 (또는 전략)의 역사적 표준 편차 $ \ sigma $와 mean $ \ mu $로 일일 수익률을 고려하고 있습니다. 그런 다음 단일 자산 (또는 전략)에 대한 분산 - 공분산 방법 하에서 일일 VaR은 다음과 같이 계산됩니다.
\ begin P - \ left (P (\ alpha (1-c) + 1) \ right) \ end.
여기서 $ \ alpha $는 평균 $ \ mu $ 및 표준 편차 $ \ sigma $를 갖는 정규 분포의 누적 분포 함수의 역입니다.
우리는 이러한 값을 계산하기 위해 Python의 SciPy 및 pandas 라이브러리를 사용할 수 있습니다. $ P = 10 ^ 6 $와 $ c = 0.99 $를 설정하면 SciPy ppf 방법을 사용하여 역 누적 분포 함수의 값을 $ \ mu $ 및 $ \ sigma $를 사용하여 정규 분포로 생성 할 수 있습니다 실제 금융 데이터, 이 경우 CitiGroup의 과거 일일 수익률 (여기서 우리는 알고리즘 전략의 수익률을 쉽게 대체 할 수 있습니다) :
VaR의 계산 된 값은 다음과 같습니다.
VaR은 재무 관리의 모든 분야에서 매우 유용하고 보편적 인 기술이지만 그 결함이있는 것은 아닙니다. 우리는 포트폴리오에서 잃어 버릴 수있는 것의 실제 가치에 대해 아직 논의하지 않고 오히려 일정 시간 이상 일정량을 초과 할 수도 있습니다.
후속 기사에서 VaR에 대한 대안 계산을 논의 할뿐만 아니라 예상 손실 (Conditional Value at Risk)이라고도하는 개념을 요약하여 손실의 가능성이 어느 정도인지에 대한 해답을 제시합니다.
양적 거래 시작하기?
QuantStart 목록을 구독해야하는 3 가지 이유 :
1. 퀀트 트레이딩 레슨.
계량 거래를 시작하는 데 도움이되는 힌트와 팁으로 가득한 무료 10 일간 코스에 즉시 액세스 할 수 있습니다!
2. 모든 최신 내용.
매주 나는 퀀트 스타트에서 모든 활동의 포장을 보내드릴 것입니다. 그래서 당신은 결코 다시 글을 놓치지 않을 것입니다.
현실감 넘치는 퀀 트레이딩 팁.

트레이딩 전략에 대한 백 테스팅.
나는 시계열 분석과 그 응용 프로그램을 주문했습니다 : R 예제 (Statistics의 Springer Texts)를 사용하여 R 학습 곡선의 시계열을 도와줍니다. 지금까지 내가 본 것은 좋았습니다. 저자는 R과 시계열로 문제가있는 좋은 페이지를 가지고 있습니다. 이 책은 이번 주말까지 도착할 것입니다.
그동안 나는 John Mauldin의 "Over My Shoulder"서비스에 대한 기사를 읽는 동안 거래 전략을 발견하게되었습니다. S & P500의 평균 수익률에 베팅하는 전략은 상당한 버블 붕괴로 시작된 곰 시장에서 중요한 수익을 창출했다. 당연히 나는 시험하고 싶었다.
다음 사항을 권유하지는 않습니다. 숙제를하고 질문이 있으면 투자 전문가와 상담하십시오.
전략은 시장이 지난 3 일 동안 최대치로 마감되면 S & P500을 오랫동안 지속하는 것이다. 거래를 취소하고 시장이 지난 3 일 동안 최소로 마감되면 오래갑니다. ETF는이 전략을 상대적으로 쉽게 거래 할 수 있도록합니다. SPY는 오랫동안 S & P500이며 SH는 단기간에 나올 차량이 될 것입니다.
SH는 2006 년 6 월 21 일에 거래를 시작했습니다. 우리는 지금까지 그 시점에서 우리의 역행을 집중합니다.
이전에 작성한 importSeries () 함수를 사용하여 SPY 및 SH의 모든 값을 가져옵니다.
우리는 보류 할 추가 시간 시리즈를 생성해야합니다.
Long / Short 플래그 - 현재 보유 상태를 알려줍니다. 무역 깃발 - 우리는이 날짜에 무역을 설립했음을 알립니다. Strat. Returns - 전략으로 하루의 명목 수익. 달러 금액 - 2006 년 6 월 21 일 $ 10,000 달러 가치를 가정 한 포트폴리오의 총 달러 가치 및 우리가 거래 할 때 $ 2 거래 수수료.
이 전략은 세금면에서 효율적인 것은 아니라는 점에 유의해야합니다. 어떤 이득도 단기 자본 이득 율로 과세 될 것입니다. 411 개의 거래가있었습니다. 거래에는 매매가 포함되므로 822 번 중개 수수료를 부과 받게됩니까? 나는 인터 액티브 브로커 (Interactive Brokers)에 의해 부과되는 바이 / 매도 당 1 달러를 썼다. TD 아메리 트레이드 (Ameritrade)와 같은 사람을 사용하면 더 많은 비용이들 것입니다. 이것은 또한 당신이 시장 마감 가격으로 매매 할 수 있다고 가정합니다. 가능한 일이지만 미끄러짐이 발생할 것입니다.
코멘트는 닫힙니다.
최근 인기있는 글.
가장 많이 방문한 기사.
R 사용자를위한 작업.
bavotasan 디자인을 사용하여 WordPress에 의해 구동됩니다.
저작권 및 사본; 2017 R-bloggers. 판권 소유. 이 웹 사이트의 이용 약관.