Pca 거래 전략

Pca 거래 전략
App Store를 통해 가져 오기 우리의 응용 프로그램 에서이 게시물을 읽으십시오!
거래를 위해 PCA를 사용하는 방법.
누구든지 PCA를 거래에 사용하여 접근하는 방법에 대한 몇 가지 지침을 줄 수 있습니까? 특히 PCA는 모든 주식을 거래하는 대신 주식 포트폴리오 (또는 기타)의 하위 집합을 선택하는 데 유용합니다. 그러나 단일 주식을 거래 할 때 가치를 더할 수 있는지 궁금합니다. PCA는 주가에 영향을 줄 수있는 다른 입력 (어쩌면 기술 지표)에 어떻게 적용될 수 있습니까?
20 개의 외생 약하게 고정 된 변수. 그런 다음 PCA를 사용하여 3 개를 얻을 수 있습니다.
4 개의 직교 변수를 사용하면 너무 많은 정보를 잃지 않고 모델을 단순화 할 수 있습니다 (처음 3 개일 수도 있음).
4 개의 주요 구성 요소가 10 개 중 90 % 이상을 설명합니다.
20 개의 원래 변수 & # 39; 총 분산). 예를 들어 기술 거래자는 종종 t. a를 많이 사용합니다. MACD, RSI, 확률 론적 지표와 같은 지표 :이 지표의 첫 번째 주요 구성 요소는 모든 지표의 95 % 이상을 설명 할 가능성이 높습니다. & # 39; 변화. & ndash; Lisa Ann May 2, 13:54.
귀하의 질문에 대답하기 위해 우리는 그것이 무엇을하는지 살펴 봐야합니다.
PCA는 뉴스 벡터가 직교하고 첫 번째 세트의 분산의 주요 부분을 설명 할 수 있도록 데이터를 새로운 좌표계로 변환하는 직교 선형 변환으로 수학적으로 정의됩니다.
입력으로 N × M 매트릭스를 취하고, N은 실험의 다른 반복을 나타내고 M은 특정 프로브의 결과를 나타냅니다. 데이터 집합의 분산을 설명하는 방향 (또는 주요 구성 요소)을 제공합니다.
따라서 모든 것은 PCA에 입력 한 내용에 달려 있습니다. PCA를 사용하여 시장 상관 관계를 살펴본 결과, N 회 이상 M 가격을 입력했습니다. 하나의 주식에 대한 다양한 측정 값 (greeks, futures.)을 입력하여 동적 특성을 살펴볼 수 있습니다. 내 사용은 베타로 알려진 시장과 주가의 상관 관계를 제공 할 것이고, 다른 사용은 주식의 다양한 기술 지표 사이의 상관 관계를 제공 할 것이다. 그리고 다른 종류의 주식에 대한 differents indicator를 통해 흥미로운 결과를 얻을 수 있다고 생각합니다.
전처리 과정을 잊지 마십시오. 여기에서 볼 수 있듯이 데이터 동기화에는 시장 데이터에 몇 가지 까다로운 문제가 있습니다.
그것은 또한 당신이 당신의 결과로 무엇을하는지에 달려 있습니다. 몇 가지 기준을 사용하여 데이터 집합의 차원을 줄이기 위해 분산이 작은 구성 요소를 제거 할 수 있습니다. 이것은 PCA의 일반적인 "목표"입니다. 수익 / 위험 곡선을 추정하기 위해 포트폴리오를 구축하는 데 필요한 주식 수를 줄입니다. 그러나 당신은 또한보다 복잡한 사후 치료를 할 수 있습니다. 여기 : th-if. uj. edu. pl/acta/vol36/pdf/v36p2767.pdf에서는 PCA와 무작위 매트릭스 이론을 결합하여 시장의 소음을 제거 할 수 있습니다.
PCA는 매우 강력한 도구이지만 도구 일뿐입니다. 결과는 사용 방법에 따라 다릅니다. 위험은 그것을 너무 많이 사용하는 것입니다. 당신은 그들이 무엇을 말했는지를 압니다. 망치가 있으면 모든 문제는 손톱처럼 보입니다.
이 포스트에서 설명한 것처럼 PCA는 차원 축소 방법입니다.
주식의 고유 가치를 결정할 때 사용할 방법이 없으므로 거래에 직접적으로 사용되지 않습니다.

MatlabTrading.
MATLAB & # 174;에 대한 블로그 알고리즘 트레이딩 전략, 백 테스팅, 페어 트레이딩, 통계적 재정 거래 등에 관심이있는 사용자
2012 년 12 월 3 일 월요일.
확산 거래에 PCA 사용.
그러나 Principal Component Analysis라는 수학적 방법을 사용하여 안정적인 (= tradeable?) 스프레드를 쉽게 만들 수 있습니다. 모든 선형 대수학은 princomp 함수 안에 운좋게 숨겨져 있지만 PCA가 실제로 어떻게 작동하는지 이해하려면이 자습서를 살펴보십시오. 변환 된 데이터는 다음과 같이 설명 할 수 있습니다. 1 차 구성 요소 : '최대 변동성 포트폴리오'. 일반적으로 시장과 매우 ​​밀접한 상관 관계가 있습니다. 2 차 구성 요소 : 최대 분산을 갖는 '시장 중립'포트폴리오. 3-d 및 다른 컴포넌트들은 분산 정도가 감소한다. 설계 상 PCA는 직교 구성 요소를 생성합니다. 즉, 모든 포트폴리오가 서로 상관 관계가 없음을 의미합니다. 따라서 2 위 및 그 이상의 포트폴리오는 시장 중립적입니다.
8 개의 코멘트 :
(더 나은) 인간 상인은 사실이 바뀌면 자신의 견해를 바꾸기에 충분히 유연합니다. 모델은 PCA 분석 (또는 모든 종류의 분석)이 100 % 정확하다고 가정하기 때문에 그렇게 할 수 없습니다.
사실이지만, 상인은 변화가없는 관점에 노출되어있는 인간이며, 사실이 실제로 변하지 않는 경우에도 마찬가지입니다. 이는 협회, 감정, 잘못된 결론 등이 결정에 포함되기 때문입니다. 짧게하기 : 무료 점심은 없습니다. 각 개념은 비용이 들게됩니다. 유연성은 무료가 아닙니다.
z - 점수, bollinger, rsi, 그냥 하나 선택하십시오 :). 중요한 것은 확산이 평균 복귀라는 것입니다.
제프, 이 접근법을 공적분과 비교 했니? 예 : 다중 자산 포트폴리오에 대한 요한센? PCA 기반 스프레드가보다 안정적입니까? 이 기사에서 3 번째 및 4 번째 PC에 중점을 둡니다. 왜 2 위입니까?
이 예제에서 PCA 구성 요소 3과 4가 실제 보안 쌍과 어떤 관련이 있는지 설명 할 수 있습니까?
이것은 매우 흥미로운 아이디어입니다. 어쩌면 상관없는 & quot; 복합 & quot;을 찾는 방법 일 수 있습니다. "표준"상품 이외의 거래 할 자산 클래스 (주식, 상품, 채권 등).
평균 회귀가 이러한 스프레드를 교환하는 가장 좋은 방법일까요? 그렇다면 왜? 나는 RSI OB / OS를 4 개의 석유 국가 ETF의 PCA 구성 요소에서 시험해 보았고, 구성 요소는 단기간 (즉, 단기 RSI (2+)보다는 장기간 RSI )).
죄송 합니다만 쌍으로 거래하려면 상호 연관된 거래 가능한 자산이 필요합니다.
WFAToolbox - Walk-Forward Analysis Toolbox.
MATLAB의 알고리즘 트레이딩 전략 개발을위한 MATLAB Add-on은 쉬운 방법입니다.

QuantStatRisk.
. 데이터 및 전략에 관한 모든 것.
2011 년 12 월 28 일 수요일
Pair-Trading : PCA를 사용하여 유가 증권 쌍을 구성합니다.
# 라이브러리를로드하십시오.
# R. 에 "test2.csv"라는. csv 파일을 읽습니다.
# 그리고 확산의 건설 S = y-hedgeratio * x.
모델 첫 번째 계수를 나타내는 #beta는 hedgeratio입니다.
# 시험은 5 % 수준에서 수행되며,
if (resCADF $ p. value & lt; 0.05)
고양이 ( "확산 가능성이 있음 - 되돌릴 \ n")
고양이 ( "확산은 평균 복귀가 아닙니다 \ n")
# 페어 트레이딩 전략을 백 테스트하고 매개 변수를 최적화합니다.
# trainset의 간단한 선형 회귀 모델.
# 스프레드를 결정합니다.
cat ( "확산 평균 :", spreadMean, "\ n")
cat ( "Spead 표준 편차 :", spreadStdDev, "\ n")
# 값이 2 표준 편차 이하로 떨어지면 구입하십시오.
#and short는 값이 2 표준 편차 이상으로 올라갈 때 확산됩니다.
# zcore의 표준 편차는 1입니다.
고양이 ( "훈련 세트의 샤프 비율은 :", sharpeTrainset, "\ n")
cat ( "테스트 세트의 샤프 비율은", sharpeTestset, "\ n")
2 개의 코멘트 :
이것을 공유하는 Tks. 흥미롭게도 필자는 직장에서 사용하는 데이터 분석 프로젝트에 PCA를 사용하고 있습니다. 좋은 물건!

Pca 거래 전략
App Store를 통해 가져 오기 우리의 응용 프로그램 에서이 게시물을 읽으십시오!
주성분 분석 및 산출 곡선.
나는 PCA를 고정 수입 선물 거래 수단과 관련시키는 거래 전략을 연구하는 임무를 맡았습니다. 분명히 PCA는이 분야에서 자주 사용됩니다. 전략이 어떻게 생겼는지에 대한 기본 아이디어를 얻기위한 참고 자료를 찾고 있습니다. PCA가 거래 신호를 생성하는 데 어떻게 유용 할 수 있는지에 대한 개요 만보고 승리하는 전략을 찾고있는 것은 아닙니다. PCA 뒤에있는 수학을 이해하고 다른 분야에서도이 수학을 사용했지만 재정 지원 신청은 저에게 새로운 것입니다.
이 주제에 대해 가장 잘 쓰인 문장 중 하나는 인터넷에서 즉시 사용할 수있는 Salomon의 "Principal Components of Principal Components"입니다. 이 논문은 엄청나게 포괄적이기 때문에 자세한 내용은 다루지 않겠지 만 근본적인 아이디어는 간단합니다. 수익률을 기반으로 PCA를 실행하면 처음 세 구성 요소가 대부분의 차이를 포착합니다. 곡선의 레벨, 기울기 및 곡률