Pca Trading Stratégies

Dans un post précédent, je présente comment on peut utiliser la composante principale Analyse pour dériver les facteurs de risque. En outre, à l'aide de l'APC, les différents portefeuilles propres peuvent être considérés comme des paires de négociation au niveau des secteurs. L'idée repose sur le principe de cohérence (voir Avellaneda 2002): lorsque les entreprises sont triées selon leurs coefficients dans un vecteur propre donné, les entreprises du même secteur ou secteur sont regroupées. L'intrigue des coefficients triés vs les entreprises correspondantes aident à remarquer que, les voisins d'une entreprise particulière ont tendance à être dans le même groupe industriel. Dans ce post, je présente une méthodologie de négociation de paires où les paires sont formées en utilisant le PCA et le principe de cohérence. C'est juste une façon de faire, Im présentant une méthodologie. Le principe de cohérence tient dans ce cas, les stocks de la même industrie sont regroupés. À titre d'illustration, j'utilise les stocks supérieurs dans le troisième vecteur propre. Ces stocks appartiennent au même secteur: Matériaux de base. Je choisis deux candidats pour tester la paire de stratégie de trading SWN et CNX: Je ne prétends pas que c'est le meilleur choix ou la meilleure stratégie, comme je l'ai dit, c'est juste une façon de faire. Pour simplifier, Les deux séries sont dans le même fichier. Voici le code R: Charger la bibliothèque de bibliothèque (tseries) Lire un fichier. csv nommé test2.csv dans R Définir les deux variables utilisées pour tester la stratégie de négociation de la paire swndataS, 2 cnxdataS, 3 swnas. matrix (swn) cnxas. matrix (Cnx) Modèle de régression linéaire simple sans interception Et la construction de la propagation Sy-hedgeratiox beta représentant le premier coefficient du modèle est la hedgeratio cnx0) betacoef (lmresult) 1 spreadswn-betacnx Test de cointegration en utilisant le test Dickey-Fuller Augmenté Root) Le test est exécuté au niveau 5, resCADFlt-adf. test (propagation, alternativestationary, k0) if (resCADFp. value lt 0.05) cat (La propagation est vraisemblablement la moyenne renvoyant n) else cat (La propagation n'est pas moyenne - 1): (longueur (données, 1) 2) test (longueur (trainset) 1) 1) : Length (dataS, 1) détermine le ratio de couverture sur l'ensemble d'entraînement Le modèle de régression linéaire simple sur la rame détermine la propagation 0cnxtrainset,) hedgeratiocoef (lmresult) 1 spreadswn-hedgeratiocnx tracé (spread, typel) (Écart-type Spead:, spreadStdDev, n) Score Z du Spread: Stratégie définie: Buy Spread lorsque la valeur tombe en dessous de 2 écarts-types et les shorts s'étalent lorsque son La valeur s'élève au-dessus de 2 écarts-types zcore a écart-type1 positions Exir lorsque l'écart à 1 écart-type de sa moyenne Définir la matrice de position matriceMatrice matrice (NaN, longueur (donnéesS, 1), 2) posMatrixlongPos, 11 posMatrixlongPos, 2-1 posMatrixshortPos, 1 -1 posMatrixshortPos, 21 posMatrixexistPos, 0 Retour (dataS, 2: 3-lagg (dataS, 2: 3)) lagg (dataS, 2: 3) pnlas. vector (rowSums (lagg (posMatrix) Retour, na. rmTRUE) SharpeTrainsetsqrt (longueur (rames)) moyenne (pnl2: longueur (rames)) sd (pnl2: longueur (trainset)) cat (le sharpe ratio sur l'ensemble est:, sharpeTrainset, n) Sharpe Ratio sur testset sharpeTestsetsqrt (Pnltestset) sd (pnltestset) cat (le ratio de sharpe sur le jeu de test est:, sharpeTestset, n) fonction Lagg fonction-lagglt (x) y matrice (NaN, longueur (dataS, 1), 2) y2: length 1), 1 y2: length (dataS, 1), 2x1: (longueur (dataS, 1) -1), 2 return (y) J'ai été chargé (e) La recherche de stratégies de négociation associant l'APC aux instruments à terme à revenu fixe négociés. Apparemment PCA est fréquemment utilisé dans ce domaine. Im juste à la recherche de quelques références pour obtenir une idée de base de ce qu'une stratégie pourrait ressembler. Im pas la recherche d'une stratégie gagnante - juste un aperçu de la façon dont PCA pourrait être utile pour générer des signaux commerciaux. Je comprends les mathématiques derrière PCA et l'ai utilisé dans d'autres domaines, mais ses applications au financement sont nouvelles pour moi. A demandé Jan 6 15 à 18:13 L'une des meilleures pièces jamais écrites sur ce sujet est Salomons Principes des Composants Principaux, qui est facilement disponible sur Internet. Je ne vais pas entrer dans les détails, car ce document est ridiculement complet, mais l'idée fondamentale est simple - si vous exécutez un APC basé sur les rendements, les trois premiers composants capturer la plupart des variances, avec les trois facteurs à peu près interprété comme le niveau , Pente et courbure de la courbe. L'application la plus répandue pour PCA est le négoce de papillons (par exemple, vous pouvez acheter le contrat TY contre FV et WN ou vous pouvez acheter EDZ6 contre EDZ5 et EDZ4). PCA vous permet de t calculer les pondérations de risque nécessaires afin que les structures sont neutres aux deux premiers composants principaux. Cela vous permet de vous concentrer sur le commerce de la courbure de la courbe de rendement, sans prendre sur les risques de niveau. A répondu Jan 6 15 à 19:39 C'est une observation empirique, mais très bien un résultat de la façon dont la courbe de rendement est échangée comportement ampli. Si vous décomposez les rendements du portefeuille d'obligations sur de longs horizons, vous trouverez presque toujours que la durée (c'est-à-dire le niveau de rendement) est le facteur le plus important, c'est aussi ce que les gens parlent le plus (rendement quinquennal de BLAH todayquot). Slope est certainement la prochaine chose qui est sur l'esprit des gens (quotThe courbe de rendement bull aplatissebear steepenedetc. Aujourd'hui). La courbure est presque jamais mentionnée dans la presse, et est en effet un facteur beaucoup plus petit dans la conduite des mouvements de courbes de rendement quotidiennes. Ndash Helin Gai Jan 6 15 à 21:22