R语言动量交易策略分析调整后的数据

原文链接：http://tecdat.cn/?p=18686

用于动量策略中所谓的动量（Momentum），是指某一对象所具有的一种倾向于保持其原有属性或特征的性质，也可以简单理解成一种惰性（Inertia）。股票的动量，简单地说就是涨的还会接着涨，跌的还会接着跌；过去涨得越猛，未来涨的也就越猛；过去跌得越狠，未来也会跌的越狠。

下面，本文将尝试将动量策略应用于调整后的数据（历史价格，股息和拆分数据，以预测公司的未来或获得市场见解）：

  1.  
    #*****************************************************************
  2.  
    # 加载一天结束时的历史数据
  3.  
    #*****************************************************************
  4.  
     
  5.  
    # 股票代码
  6.  
    tickers = '
  7.  
    AGG
  8.  
    DBC
  9.  
    EEM
  10.  
    EFA
  11.  
    '
  12.  
     
  13.  
     
  14.  
     
  15.  
    getSymbols.extra(tickers, src = 'yahoo', from = '1970-01-01', env = data, set.symbolnames = T, auto.assign = T)
  16.  
     
  17.  
    #*****************************************************************
  18.  
    # 构建另一个不含股利的价格调整后的回测环境
  19.  
     
  20.  
     
  21.  
    #*****************************************************************
  22.  
     
  23.  
    for(i in data$symbolnames) data.price[[i]] = adjustOHLC(data[[i]], symbol.name=i, adjust='split', use.Adjusted=F)
  24.  
     
  25.  
     
  26.  
    #*****************************************************************
  27.  
    # 调整价格
  28.  
    #*****************************************************************
  29.  
    for(i in data$symbolnames) data[[i]] = adjustOHLC(data[[i]], use.Adjusted=T)
  30.  
    prep(data, align='keep.all')

我们构建了两个环境：

  • 包含拆分和股息调整后的价格
  • 仅包含调整后的价格
  1.  
     
  2.  
     
  3.  
     
  4.  
    #*****************************************************************
  5.  
    # 排名60天变化率
  6.  
     
  7.  
    #******************************************************************
  8.  
    return = prices / mlag(prices,60) - 1
  9.  
    position.score = iif(return < 0, NA, return)
  10.  
    data$weight[period.ends0,] = ntop(position.score[period.ends1,], 1)
  11.  
     
  12.  
     
  13.  
     
  14.  
    #*****************************************************************
  15.  
    # 60/120天的排名变化率
  16.  
    #******************************************************************
  17.  
    return = prices / mlag(prices,60) - 1 + prices / mlag(prices,120) - 1
  18.  
    position.score = iif(return < 0, NA, return)
  19.  
     
  20.  
     
  21.  
    data$weight[period.ends0,] = ntop(position.score[period.ends1, , 1)
  22.  
     
  23.  
     
  24.  
    #*****************************************************************
  25.  
    # 创建报表
  26.  
    #*****************************************************************
  27.  
    plot(models)

  1.  
     
  2.  
    mom60 mom120
  3.  
    Period Jan2002 - Mar2015 Jan2002 - Mar2015
  4.  
    Cagr 18.05 15.47
  5.  
    Sharpe 0.89 0.76
  6.  
    DVR 0.85 0.7
  7.  
    R2 0.95 0.92
  8.  
    Volatility 21.26 22.21
  9.  
    MaxDD -33.49 -51.75
  10.  
    Exposure 94.36 94.36
  11.  
    Win.Percent 63.76 62.42
  12.  
    Avg.Trade 1.69 1.49
  13.  
    Profit.Factor 2.24 2
  14.  
    Num.Trades 149 149
  1.  
    models$mom60 weight entry.date exit.date nhold entry.price exit.price return
  2.  
    SPY 100 2013-06-28 2013-07-31 33 155.04 163.06 5.17
  3.  
    XLV 100 2013-07-31 2013-08-30 30 49.88 48.12 -3.53
  4.  
    XLV 100 2013-08-30 2013-09-30 31 48.12 49.66 3.20
  5.  
    FXI 100 2013-09-30 2013-10-31 31 35.92 36.40 1.34
  6.  
    EEM 100 2013-10-31 2013-11-29 29 41.16 41.05 -0.27
  7.  
    XLV 100 2013-11-29 2013-12-31 32 54.24 54.64 0.75
  8.  
    SPY 100 2013-12-31 2014-01-31 31 180.35 173.99 -3.53
  9.  
    XLV 100 2014-01-31 2014-02-28 28 55.16 58.59 6.22
  10.  
    IYR 100 2014-02-28 2014-03-31 31 65.72 65.81 0.14
  11.  
    IYR 100 2014-03-31 2014-04-30 30 65.81 67.81 3.04
  12.  
    EEM 100 2014-04-30 2014-05-30 30 40.42 41.62 2.97
  13.  
    EEM 100 2014-05-30 2014-06-30 31 41.62 42.62 2.40
  14.  
    IYR 100 2014-06-30 2014-07-31 31 70.41 70.33 -0.11
  15.  
    FXI 100 2014-07-31 2014-09-30 61 39.96 37.80 -5.41
  16.  
    UUP 100 2014-09-30 2014-10-31 31 22.87 23.09 0.96
  17.  
    XLV 100 2014-10-31 2014-11-28 28 67.02 69.35 3.48
  18.  
    XLV 100 2014-11-28 2014-12-31 33 69.35 68.38 -1.40
  19.  
    IYR 100 2014-12-31 2015-01-30 30 76.84 81.23 5.71
  20.  
    IYR 100 2015-01-30 2015-02-27 28 81.23 79.12 -2.60
  21.  
    FXI 100 2015-02-27 2015-03-30 31 43.76 44.74 2.24

接下来，我们考虑以下3种设置：

  • “已调整”-拆分和股息调整后的价格数据。信号和损益仅从调整后的数据时间序列中得出。
  • “实际”-仅使用拆分后的调整数据，尚未对股息进行调整。信号和损益仅从唯一的拆分调整后的数据时间序列中得出。
  • “混合”-使用“实际”时间序列生成信号，使用“调整”时间序列进行损益计算。
  1.  
    #*****************************************************************
  2.  
    # 辅助函数
  3.  
    #******************************************************************
  4.  
     
  5.  
     
  6.  
     
  7.  
    return = prices / mlag(prices,60) - 1
  8.  
    position.score = iif(return < 0, NA, return)
  9.  
     
  10.  
     
  11.  
    return = prices / mlag(prices,60) - 1 + prices / mlag(prices,120) - 1
  12.  
    position.score = iif(return < 0, NA, return)
  13.  
     
  14.  
     
  15.  
    models[[paste0('mom120',name)]] =run(data, clean.signal=F, commission = commission, trade.summary=T, silent=T)
  16.  
     
  17.  
    models
  18.  
     
  19.  
    #*****************************************************************
  20.  
    # 安装
  21.  
    #******************************************************************
  22.  
     
  23.  
    all.models = c(all.models, strategy(prices.adj, data, 'Adjusted'))
  24.  
     
  25.  
     
  26.  
    #*****************************************************************
  27.  
    # 创建报表
  28.  
    #*****************************************************************
  29.  
     
  30.  
    plot(models

print(plotbt.strateg(models, make.plot=F,
  1.  
     
  2.  
    mom60Adjusted mom60Actual mom60Hybrid
  3.  
    Period Jan2002 - Mar2015 Jan2002 - Mar2015 Jan2002 - Mar2015
  4.  
    Cagr 18.05 15.02 17.22
  5.  
    Sharpe 0.89 0.76 0.85
  6.  
    DVR 0.85 0.73 0.82
  7.  
    R2 0.95 0.96 0.96
  8.  
    Volatility 21.26 21.33 21.33
  9.  
    MaxDD -33.49 -35.99 -33.74
  10.  
    Exposure 94.36 92.44 92.44
  11.  
    Win.Percent 63.76 62.33 63.01
  12.  
    Avg.Trade 1.69 1.49 1.67
  13.  
    Profit.Factor 2.24 1.98 2.15
  14.  
    Num.Trades 149 146 146
  1.  
     
  2.  
     
  3.  
    plotbt(models, plotX = T, log = 'y'

print(plotstrategy)
  1.  
     
  2.  
    mom120Adjusted mom120Actual mom120Hybrid
  3.  
    Period Jan2002 - Mar2015 Jan2002 - Mar2015 Jan2002 - Mar2015
  4.  
    Cagr 15.47 13.61 15.66
  5.  
    Sharpe 0.76 0.69 0.77
  6.  
    DVR 0.7 0.64 0.73
  7.  
    R2 0.92 0.92 0.94
  8.  
    Volatility 22.21 22.08 22.07
  9.  
    MaxDD -51.75 -49.93 -47.15
  10.  
    Exposure 94.36 92.47 92.47
  11.  
    Win.Percent 62.42 60.96 61.64
  12.  
    Avg.Trade 1.49 1.37 1.54
  13.  
    Profit.Factor 2 1.9 2.02
  14.  
    Num.Trades 149 146 146

经调整后的数据表现优于实际数据和混合数据。

最受欢迎的见解

1.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

2.R语言GARCH-DCC模型和DCC（MVT）建模估计

3.R语言实现 Copula 算法建模依赖性案例分析报告

4.R语言COPULAS和金融时间序列数据VaR分析

5.R语言多元COPULA GARCH 模型时间序列预测

6.用R语言实现神经网络预测股票实例

7.r语言预测波动率的实现：ARCH模型与HAR-RV模型

8.R语言如何做马尔科夫转换模型markov switching model

9.matlab使用Copula仿真优化市场风险

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/tecdat/p/14223951.html