利用耦合隐马尔可夫模型改进交易策略

申请删除 [复制链接]
查看6 | 回复0 | 2020-5-18 16:04:06 | |阅读模式
期货界传奇苏一刀:初中学历,10万...osoon:故事不错,他挣到一个亿,就有人亏了一个亿,想想自己走背运的时候,何必一个亿,1000万足以,这点觉悟都没有,就别称什么大师,告诉看文的小伙伴,所有的技术分析,本质上和街头算命没差别,说白了,期货对于场外的人来说,就是赤裸裸的赌博,想清楚,再下场"/>?问任何在华尔街的人,“目前市场状况如何?”你都很可能会获得三个答案中的一个:牛市、熊市或盘整。对一般交易者来说,这些术语粗略地描述了市场的状态。但对于数学上的某个概念,这些术语则精确描述了价格走向。这个概念是隐马尔可夫模型(HMM)。它是由哈佛大学的数学家LeonardE.Baum博士和他的同事共同提出来的。模型的假设是,市场处于以下五种状态之一——超级熊市、熊市、盘整、牛市或超级牛市——在任意给定的时间,状态之间的转换均服从马尔可夫性质。也就是,转换只与市场前一期状态有关,而与更早期状态无关。转换概率表明了市场是如何在这五个状态之间转换的。假设市场服从马尔可夫性质,有时被认为是一个好的假设,因为它消除了滞后的问题。当基于过去很久的价格行为进行计算时,由此得到的结论并没有太多价值。回溯的时间越长,价格行为对当前交易决策的有效性越低。正如我们知道熊市和牛市表现不同,每一个状态也都会根据观测变量呈现出不同的概率分布。观测变量可以是我们关于市场的任何形式的物理量,比如说价格和指标。他们有双重用途,第一,如果我们知道市场处于某种状态,就可以通过状态分布推断出市场下一个可能的状态;第二,观察序列可以用于刻画市场状态(见下图“状态转换”)。HMMs的假设是市场始终处于五种状态之一,而且转换到另一状态的概率取决于当前的状态:当市场处于牛市状态(wb)时,它有0.15的概率会转换到熊市状态(wu),有0.3的概率转换到盘整状态(r)。"/>在过去的十年里,隐马尔可夫模型(HMMs)已经悄悄进入对冲基金的武器库。由于他们逻辑合理的建模过程和对马尔科夫性质的精确应用,宽客们已经能够很好地将隐马尔可夫模型(HMMs)用于盈利交易信号的产生。然而,当要结合下一波交易技术时,隐马尔可夫模型(HMMs)显示出了它的局限性。对冲基金逐渐认识到,想要在这个市场中获胜,仅仅使用一维数据是不够的。多周期交易技术、配对交易以及市场互动分析等都得到深入研究。但是早期的隐马尔可夫模型(HMMs)无法整合这些新想法,因此需要进行扩展以满足这种可能。因此,耦合隐马尔可夫模型(CHMM)出现了。不同于Baum的原版HMM具有标准的应用数学公式,CHMM是一个新的研究,大概开始于本世纪头十年的中期,还没有一个标准的公式。尽管来自不同大学的研究员给出的CHMMs的公式都不一样,但是他们有一个共同的潜在主题:采用两个HMMs,并通过他们的转移概率进行耦合。让我们首先给两个HMMs取个名字。HMM1将基于外汇市场建模,而HMM2将基于商品市场建模。HMM1和HMM2共同构成我们的CHMM。正如前面所说,随着时间的推进,每个市场的状态将以一定的概率转换到另一个状态。不似之前的是,这个概率现在同时取决于两个市场的当前状态。这也就是两个市场之间的耦合(见下图“两个HMMs耦合”)。"/>在我们模型里提到了两个市场,那么我们就需要跟踪两个观测变量数据,也就是外汇市场和商品市场的价格或指标。我们把两个观测序列输入我们的CHMM,让它们自动重新配置以最佳表示各个市常得到的结果是一个具有预测能力的模型,该模型可以预测外汇和商品市场的下一个观测值。在两个HMMs的整个耦合过程中,状态转换仍符合马尔科夫性质。HMMs的优点保留下来,滞后性问题得以处理以及加入另一维度的数据得以实现。宽客们迅速开始探索用资产对建立CHMM。对我们来说,为了利用CHMM的预测能力,我们最好利用两个高度相关或者高度不相关的资产进行建模。黄金和瑞士法郎之间的关系让我们选择了这两个市常一,有人认为,在经济动荡期间,投资者倾向于抛掉美元转而持有黄金,因为黄金具有保值的功能,这意味着这之间存在一种负相关性。二,黄金出售计划后,瑞士国家银行持有1290吨黄金储备,这相当于瑞士20%的资产,因此,瑞士法郎和黄金的价格应该是朝不同的方向运动。这两种关系让我们相信USD/CHF和黄金之间是负相关的;一个价格的上升意味着另一个价格的下跌(见下图“USD/CHFvs.Gold”)。"/>现在,我们用USD/CHF和黄金耦合一个CHMM以设计一个交易策略。首先,我们定义可观测量。就是将资产的物理量用于规则以产生交易信号。如果我们交易的是分布的尾部,它将是CCI指标。如果我们顺应趋势,它将是ADX指标。与我们的策略一致,我们把可观测量定义为RSI指标,这样,USD/CHF和黄金的相对强弱就可以用RSIs来刻画。第二,我们需要构建我们的策略。由于我们的目标是要描述CHMM的特征,我们将使用一个简单的4周期10分钟RSI,当它向上穿越20%(超卖)时做多,当它向下穿越80%(超买)时做空。我们将使用CHMM预测的USD/CHF的RSI的值而非真实的RSI。当把黄金的RSI纳入考虑范围时,虽然看起来我们需要设定一个过滤条件,但是实际不需要。CHMM理论之美就在于状态转换背后蕴含着这个关系:USD/CHF与黄金的耦合。当把USD/CHF和黄金的4周期RSI数值定期加载进CHMM,它将在每一次加载的时候进行重新配置,计算出最具实际意义的USD/CHF和CHMM之间的关系。任何对USD/CHF的预测都会加入对USD/CHF和黄金相对强弱关系的考虑。最后,我们设定一个3:1的盈亏比,分别用2倍12周期ATR进行止损,6倍12周期ATR进行止盈。此外,我们首先用固定头寸运行我们的策略,然后采用根据CHMM转换状态的概率乘以固定头寸得到的动态头寸运行策略。基本上,我们对每笔交易的信心与模型预测下一状态的置信度是一致的(见下图“状态转化和RSI值”)。"/>评估CHMM策略成功与否,也就是比较基于CHMM的RSI预测值进行交易是否比实际RSI值更具盈利能力。后面将对此进行比较。为了检验CHMM模型准确预测值的稳健性,我们将利用模型基于另一个指标CCI来进行交易。由于篇幅的原因,我们将不会详细介绍CCI策略,但是它已经使用实际CCI的值在一段测试期间进行优化并取得不错的绩效。然后,我们的目标就是使用预测的CCI值在相同已经获利的策略上进一步提高利润。我们比较标准RSI和CCI系统与这些不同版本的利用CHMM(用Viterbi算法和non-Viterbi算法进行预测,并分别采用固定头寸和动态头寸)的系统的绩效。测试周期为2013年前四个月的10分钟价格数据。基于CHMM的RSI和CCI预测值交易取得的绩效优于标准交易系统。绩效差异表现在,应用CHMM的RSI系统将原本亏损4.55%的绩效变为盈利5.5的%。在第一个月,两个系统的绩效表现比较相近,但之后采用CHMM的系统持续获利而标准RSI模型则开始出新亏损(见下图“CHMMRSI系统”)。在所有四种情况下,夏普比率均提高到1.690-1.923。"/>对CCI策略进行比较时,我们发现,在所有四个版本中,绩效均有所提高。标准CCI策略的收益率为0.35%。利用CHMM的版本,收益率为0.36%-0.49%(见下图“CHMMCCI系统”)。进一步比较CHMM版本中的固定头寸和动态头寸下的夏普比率,我们可以看到,在RSI策略中夏普比率提高了0.2,在CCI策略中提高了0.03。这些告诉我们,在预测下一状态时,模型中的置信水平同样是具有价值的。"/>在见证了通过耦合USD/CHF和黄金,CHMM可以提高交易策略的获利能力,我们不禁想知道还有哪些资产可以通过利用CHMM进行耦合从而获利。如果我们坚持一个原则,那就是耦合资产之间要么是高度相关或不相关,那么CHMM能保持其盈利性。CHMM和HMM背后的原理足够稳健以解码两种资产之间的关系,以及推断出一个市场的转换概率如何影响另一个市常无论是股票同一板块、利率和指数、日元交叉汇率、外汇和商品、债券和经济指标、或者甚至是宏观与微观价格变动,都很有可能。它归结为资产选择和定义观测变量。CHMM是否可以把三种资产结合在一起?这当然可以。拓展阅读:1.一个量化策略师的自白(好文强烈推荐)2.市面上经典的量化交易策略都在这里了!(源码)3.期货/股票数据大全查询(历史/实时/Tick/财务等)4.干货|量化金融经典理论、重要模型、发展简史大全5.从量化到高频交易,不可不读的五本书6.高频交易四大派系大揭秘?隐马尔科夫模型(HiddenMarkovModels)之理解篇和证明篇01-07"/>6168用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用09-04"/>386大地震!某大厂“硬核”抢人,放话:只要AI人才,高中毕业都行!02-11"/>3718吹爆了!程序员自学Python,不如9岁小孩,网友:我不信....03-11"/>1万+刚发布!美国今年要砸8.5亿美元布局AI,这两件事,程序员一定做准备了!03-31"/>2130
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

网站更新