متغیرهای شناسایی معامله گران موفق

راهنمای مبتدی برای تجزیه و تحلیل سری زمانی

راهنمای مبتدی برای تجزیه و تحلیل سری زمانی

در طی چند سال گذشته ما به ابزارهای مختلفی برای کمک به ما در شناسایی الگوهای قابل بهره برداری در قیمت دارایی کمک کرده ایم. به طور خاص ما اقتصاد سنجی اساسی ، یادگیری ماشین آماری و آمار بیزی را در نظر گرفته ایم.

در حالی که اینها همه ابزارهای مدرن عالی برای تجزیه و تحلیل داده ها هستند ، اکثریت قریب به اتفاق مدل سازی دارایی در صنعت هنوز از تجزیه و تحلیل سری زمانی آماری استفاده می کند. در این مقاله می خواهیم بررسی کنیم که تجزیه و تحلیل سری زمانی چیست ، دامنه آن را بیان کرده و یاد می گیریم که چگونه می توانیم تکنیک ها را در فرکانس های مختلف داده های مالی اعمال کنیم.

تجزیه و تحلیل سری زمانی چیست؟

در مرحله اول ، یک سری زمانی به عنوان مقداری تعریف می شود که به طور متوالی در زمان در طی برخی از بازه ها اندازه گیری می شود.

در وسیع ترین شکل خود ، تجزیه و تحلیل سری زمانی در مورد استنباط آنچه در گذشته برای یک سری از نقاط داده اتفاق افتاده و تلاش برای پیش بینی آنچه برای آینده خواهد افتاد ، است.

با این حال ، ما می خواهیم با فرض اینکه سری زمانی ما تحقق توالی متغیرهای تصادفی است ، یک رویکرد آماری کمی به سری زمانی انجام دهیم. یعنی ما فرض می کنیم که برخی از مراحل تولید اساسی برای سری های زمانی ما بر اساس یک یا چند توزیع آماری که از آن این متغیرها ترسیم شده اند ، وجود دارد.

تجزیه و تحلیل سری زمانی سعی در درک گذشته و پیش بینی آینده دارد.

چنین دنباله ای از متغیرهای تصادفی به عنوان یک فرآیند تصادفی در زمان گسسته (DTSP) شناخته می شود. در معاملات کمی ما به تلاش برای متناسب با مدل های آماری در این DTSP ها برای استنباط روابط بین سری یا پیش بینی ارزشهای آینده به منظور تولید سیگنال های معاملاتی نگران هستیم.

سری زمانی به طور کلی ، از جمله موارد خارج از دنیای مالی ، اغلب شامل ویژگی های زیر است:

• روند - یک روند یک حرکت جهت گیری مداوم در یک سری زمانی است. این روندها یا قطعی یا تصادفی خواهند بود. اولی به ما اجازه می دهد تا یک دلیل اساسی برای این روند فراهم کنیم ، در حالی که دومی یک ویژگی تصادفی از یک سری است که بعید است توضیح دهیم. روندها اغلب در سری های مالی ، به ویژه قیمت کالاها ظاهر می شوند ، و بسیاری از صندوق های مشاور تجاری (CTA) از مدل های شناسایی پیشرفته روند در الگوریتم های معاملاتی خود استفاده می کنند.
• تنوع فصلی - بسیاری از سری های زمانی حاوی تنوع فصلی هستند. این امر به ویژه در سری هایی که نشان دهنده فروش مشاغل یا سطح آب و هوا است صادق است. در امور مالی کمی ، ما اغلب شاهد تنوع فصلی در کالاها ، به ویژه موارد مرتبط با فصول رشد یا تغییر دما سالانه (مانند گاز طبیعی) هستیم.
• وابستگی سریال - یکی از مهمترین ویژگی های سری زمانی ، به ویژه سری مالی ، رابطه سریال است. این اتفاق می افتد که مشاهدات سری زمانی که به موقع نزدیک هستند ، همبستگی دارند. خوشه بندی نوسانات یکی از جنبه های همبستگی سریال است که در تجارت کمی از اهمیت ویژه ای برخوردار است.

چگونه می توانیم تجزیه و تحلیل سری زمانی را در امور مالی کمی اعمال کنیم؟

هدف ما به عنوان محققان کمی شناسایی روندها ، تغییرات فصلی و همبستگی با استفاده از روشهای سری زمانی آماری و در نهایت تولید سیگنال های معاملاتی یا فیلترها بر اساس استنباط یا پیش بینی ها است.

رویکرد ما به:

• پیش بینی و پیش بینی ارزشهای آینده - برای تجارت موفقیت آمیز ، ما باید حداقل قیمت دارایی های آینده را به طور دقیق پیش بینی کنیم ، حداقل به معنای آماری.
• Simulate Series - هنگامی که ما ویژگی های آماری سری زمانی مالی را شناسایی کردیم ، می توانیم از آنها برای تولید شبیه سازی سناریوهای آینده استفاده کنیم. این به ما امکان می دهد تعداد معاملات ، هزینه های معاملات مورد انتظار ، مشخصات بازده مورد انتظار ، سرمایه گذاری فنی و مالی مورد نیاز در زیرساخت ها را تخمین بزنیم و در نتیجه در نهایت مشخصات ریسک و سودآوری یک استراتژی یا نمونه کارها خاص.
• روابط استنباط - شناسایی روابط بین سری های زمانی و سایر مقادیر کمی به ما امکان می دهد سیگنال های معاملاتی خود را از طریق مکانیسم های تصفیه تقویت کنیم. به عنوان مثال ، اگر بتوانیم استنباط کنیم که چگونه گسترش در یک جفت ارز با حجم پیشنهاد/درخواست متفاوت است ، می توانیم هرگونه معاملات آینده نگر را که ممکن است در دوره ای رخ دهد ، فیلتر کنیم که پیش بینی می کنیم گسترش گسترده ای به منظور کاهش هزینه های معامله انجام شود.

علاوه بر این می توانیم تست های آماری استاندارد (کلاسیک/مکرر یا بیزی) را در مدل های سری زمانی خود به کار بگیریم تا بتوانیم رفتارهای خاصی را توجیه کنیم ، مانند تغییر رژیم در بازارهای سهام.

نرم افزار تجزیه و تحلیل سری زمانی

تا به امروز تقریباً به طور انحصاری از C ++ و Python برای اجرای استراتژی تجارت خود استفاده کرده ایم. هر دوی این زبان ها "محیط کلاس اول" برای نوشتن یک پشته تجاری کامل هستند. آنها هر دو حاوی کتابخانه های زیادی هستند و اجازه می دهند ساخت "پایان به پایان" یک سیستم تجاری صرفاً در آن زبان باشد.

متأسفانه ، C ++ و پایتون دارای کتابخانه های آماری گسترده ای نیستند. این یکی از کاستی های آنهاست. به همین دلیل ما از محیط آماری R به عنوان ابزاری برای انجام تحقیقات سری زمانی استفاده خواهیم کرد. R به دلیل در دسترس بودن کتابخانه های سری زمانی ، روش های آماری و قابلیت های ترسیم ساده برای کار مناسب است.

ما R را به روشی حل مسئله یاد خواهیم گرفت ، به موجب آن دستورات جدید و نحو در صورت لزوم معرفی می شوند. خوشبختانه ، آموزش های بسیار مفیدی برای RABABILE در اینترنت وجود دارد و من آنها را به عنوان دنباله مقالات تجزیه و تحلیل سری زمانی می گذرانیم.

نقشه راه تجزیه و تحلیل سری زمانی Quantstart

مقالات قبلی تا به امروز در مورد مباحث یادگیری آماری ، اقتصاد سنجی و تجزیه و تحلیل بیزی ، بیشتر از نظر ماهیت مقدماتی بوده اند و کاربردهای چنین تکنیک هایی را برای اطلاعات قیمت گذاری مدرن و با فرکانس بالا در نظر نگرفته اند.

به منظور استفاده از برخی از تکنیک های فوق در داده های فرکانس بالاتر ، ما به یک چارچوب ریاضی نیاز داریم که در آن بتوانیم تحقیقات خود را متحد کنیم. تجزیه و تحلیل سری زمانی چنین اتحاد را فراهم می کند و به ما امکان می دهد تا در مورد مدل های جداگانه در یک محیط آماری بحث کنیم.

سرانجام ما از ابزارهای بیزی و تکنیک های یادگیری ماشین در رابطه با روشهای زیر به منظور پیش بینی سطح و جهت قیمت ، به عنوان فیلترها عمل خواهیم کرد و "تغییر رژیم" را تعیین می کنیم ، یعنی تعیین کنید که سری زمانی ما رفتار آماری اساسی آنها را تغییر داده است.

نقشه راه سری زمانی ما به شرح زیر است. هر یک از مباحث زیر مقاله یا مجموعه مقالات خود را تشکیل می دهد. هنگامی که این روش ها را به عمق بررسی کردیم ، ما در موقعیتی قرار خواهیم گرفت تا برخی از مدلهای مدرن پیشرفته را برای بررسی داده های با فرکانس بالا ایجاد کنیم.

• مقدمه سری زمانی - این مقاله به تشریح حوزه تجزیه و تحلیل سری های زمانی ، دامنه آن و نحوه استفاده از آن در داده های مالی می پردازد.
• همبستگی - یک جنبه کاملاً اساسی از سری زمانی مدل سازی مفهوم همبستگی سریال است. ما آن را تعریف خواهیم کرد و یکی از بزرگترین مشکلات تجزیه و تحلیل سری زمانی را توصیف خواهیم کرد ، یعنی اینکه "همبستگی دلالت بر علت ندارد".
• پیش بینی - در این بخش مفهوم پیش بینی را در نظر خواهیم گرفت ، که پیش بینی جهت آینده یا سطح برای یک سری زمانی خاص و نحوه انجام آن در عمل است.
• مدل های تصادفی - ما مدتی را صرف در نظر گرفتن مدل های تصادفی در زمینه قیمت گذاری گزینه ها در سایت ، یعنی با حرکت هندسی براونین و نوسانات تصادفی کرده ایم. ما به دنبال مدل های دیگر ، از جمله سر و صدای سفید و مدل های خودکار خواهیم بود.
• رگرسیون - هنگامی که ما روندهای قطعی (بر خلاف تصادفی) در داده ها داریم ، می توانیم برون یابی آنها را با استفاده از مدلهای رگرسیون توجیه کنیم. ما رگرسیون خطی و غیرخطی را در نظر خواهیم گرفت و همبستگی سریال را در نظر خواهیم گرفت.
• مدل های ثابت - مدل های ثابت فرض می کنند که خصوصیات آماری (یعنی میانگین و واریانس) این سری به موقع ثابت است. ما می توانیم از مدل های متوسط (MA) در حال حرکت استفاده کنیم ، و همچنین آنها را با مدل های خودکار برای شکل دادن به مدل های ARMA ترکیب کنیم.
• مدل های غیر ثابت-بسیاری از سری های زمانی مالی غیر ثابت هستند ، یعنی آنها میانگین و واریانس متفاوتی دارند. به طور خاص ، قیمت دارایی ها اغلب دارای دوره ای از کمبود بالا هستند. برای این سری ها باید از مدل های غیر ثابت مانند Arima ، Arch و Garch استفاده کنیم.
• مدل سازی چند متغیره - ما در گذشته مدلهای چند متغیره را در QuantStart در نظر گرفته ایم ، یعنی وقتی که جفت های متوسط در حال بازپرداخت در نظر گرفتیم. در این بخش ما به طور جدی تر ادغام را تعریف خواهیم کرد و به آزمایش های بیشتر برای آن می پردازیم. ما همچنین مدلهای وکتور خود را در نظر خواهیم گرفت (VAR) [که با ارزش در معرض خطر اشتباه گرفته نشود!].
• مدلهای فضای فضا - مدل سازی فضای دولتی تاریخ طولانی از تئوری کنترل مدرن را که در مهندسی مورد استفاده قرار می گیرد وام می گیرد تا به ما این امکان را بدهیم که سری های زمانی را با پارامترهای مختلف متفاوت (مانند متغیر شیب $ beta $ بین دو دارایی ادغام شده در یک رگرسیون خطی مدل کنیم.). به طور خاص ، ما فیلتر معروف کالمن و مدل پنهان مارکوف را در نظر خواهیم گرفت. این یکی از مهمترین کاربردهای تحلیل بیزی در سری های زمانی خواهد بود.

چگونه این مربوط به سایر مقالات آماری Quantstart است؟

هدف من با QuantStart همواره تلاش و ترسیم چارچوب ریاضی و آماری برای تجزیه و تحلیل کمی و تجارت کمی ، از اصول اولیه تا تکنیک های مدرن پیشرفته تر است.

تا به امروز ما بیشتر وقت را صرف تکنیک های مقدماتی و میانی کرده ایم. با این حال ، ما اکنون قصد داریم توجه خود را به سمت تکنیک های پیشرفته پیشرفته مورد استفاده در شرکت های کمی مورد استفاده قرار دهیم.

این نه تنها به کسانی که مایل به کسب حرفه در صنعت هستند ، کمک می کند بلکه به معامله گران خرده فروشی کمی نیز ابزار بسیار گسترده تری از روش ها و همچنین یک رویکرد متحد کننده برای تجارت می دهد.

قبلاً با کار در صنعت ، می توانم با اطمینان بیان کنم که بخش قابل توجهی از متخصصان صندوق کمی از تکنیک های بسیار پیشرفته ای برای "شکار آلفا" استفاده می کنند.

با این حال ، بسیاری از این بنگاه ها به حدی بزرگ هستند که علاقه ای به استراتژی های "محدودیت ظرفیت" ندارند ، یعنی مواردی که مقیاس پذیر بالای 1-2 میلیون دلار نیستند. به عنوان خرده فروشان ، اگر بتوانیم یک چارچوب تجارت پیشرفته را برای این مناطق اعمال کنیم ، می توانیم در دراز مدت به سودآوری برسیم.

ما در نهایت مقالات خود را در تجزیه و تحلیل سری زمانی ، با رویکرد بیزی به آزمایش فرضیه و انتخاب مدل ، همراه با کد بهینه شده C ++ ، R و پایتون ، ترکیب خواهیم کرد تا مدل های سری زمانی غیر خطی و غیر ثابت تولید کنند که می توانند در بالا تجارت کنندفرکانس.

اکنون که نرم افزار QSforex برای بازگشت به پشتوانه با فرکانس بالا از جفت های چند ارز ، به زنده ماندن نزدیک شده است ، ما یک چارچوب آماده برای آزمایش این مدل ها ، حداقل در بازارهای ارزی داریم.

مقاله بعدی در این سریال در مورد همبستگی و اینکه چرا یکی از اساسی ترین جنبه های تحلیل سری زمانی است ، بحث خواهد کرد.

qsalpha

به پلت فرم تحقیق QSALPHA بپیوندید که به پر کردن خط لوله تحقیق استراتژی شما کمک می کند ، نمونه کارها را متنوع می کند و بازده تنظیم شده ریسک را برای افزایش سودآوری بهبود می بخشد.

کوانتین

به پورتال عضویت QuantCademy بپیوندید که به جامعه بازرگان Quant Trader در حال رشد سریع در حال رشد است و یاد می گیرید که چگونه می توانید سودآوری استراتژی خود را افزایش دهید.

تجارت الگوریتمی موفق

نحوه یافتن ایده های جدید استراتژی تجارت و ارزیابی عینی آنها را برای نمونه کارها خود با استفاده از موتور پشتی مبتنی بر پایتون ارزیابی کنید.

تجارت الگوریتمی پیشرفته

نحوه اجرای استراتژی های تجاری پیشرفته با استفاده از تجزیه و تحلیل سری زمانی ، یادگیری ماشین و آمار بیزی با R و Python.