原文链接：http://tecdat.cn/?p=22034
相信大家都听说过股票和债券的多元化投资组合。改进的股票配对交易策略基本上使用了一种前进的方法（参考文章中的概念），即最大化夏普比率，偏向于波动率而不是收益率。也就是说，它使用72天的移动窗口来最大化投资组合的不同权重配置之间的总收益，标准差提高到52的幂。说得通俗一点，在1的幂数下，这是基本的夏普比率，在0的幂数下，只是一个动量最大化的算法。
这个策略的过程很简单:每个月重新平衡SPY和TLT之间5%的倍数，之前最大化了以下数量(在72天窗口中返回波动率^2.5)。
SPY和TLT组合
以下是获取数据和计算必要数据的代码:
-
require(quantmod)
-
-
getSymbols(c("SPY", "TLT"), from="1990-01-01")
-
-
for(i in 1:21)
-
-
weightSPY <- (i-1)*.05
-
-
config <- Return.portfolio(R = returns, weights=c(weightSPY, weightTLT)
-
-
period <- 72
接下来，建立权重的代码：
-
-
weights <- t(apply(monthlyModSharpe, 1, findMax))
-
-
-
weights[is.na(weights)] <- 0
-
也就是说，在每个重新平衡的日期(每月的月末)，简单地采用使每月修改的夏普比率计算最大化的设置。接下来是收益表现:
Performance(stratRets)结果如下:
具有以下股票曲线：
并不完美，但相比之下，它的成分如何呢，我们来看看。
-
-
apply.yearly(Components, Return.cumulative)
以下是一些常见的统计数据:
简而言之，这一策略的表现似乎远远好于上述两种成分。我们来看看股票曲线的比较是否反映了这一点。
事实上，虽然它确实在危机中出现了下跌，但当时这两个工具都在下跌，所以看起来这个策略在糟糕的情况下取得了最好的效果.以下是年度收益。
yearly(Return.cumulative)
然而，从2002年整体上看，虽然该策略很少会像两个中更好的表现一样，但它总是比两个中更差的表现出色--不仅如此，即使在一个表现差的时候，该策略在回测的每一年中都取得了积极的表现，例如2008年的SPY，以及2009年和2013年的TLT。以下是SPY在策略中的权重。
-
-
weightSPY <- do.call(rbind, weightSPY)
-
-
-
TimeSeries(alig, date.format="%Y", ylab="SPY权重", main="SPY-TLT配对中SPY的权重")
贵州茅台和民生银行组合
股票数据获取及整理
## [1] "GZMT" "MSYH"组合收益表现结果如下:
加入比较项-非组合下的单只表现
年化收益率比较
通过累积收益率、日收益率和最大回撤率，以及年化收益率比较，可以发现采用优化方法的投资组合明显优于传统的投资策略。
现在，虽然这对某些人来说可能是一个独立的策略，但在我看来，动态地重新加权两个具有负相关性的收益流，与它们形成的成分相比，可能会产生一些较好的结果。此外，模拟实际组合收益率所采用的方法很有趣，不是简单地依靠一个数字来总结两种工具之间的关系，毫无疑问，这种方法作为一种一般的前进方法，有着广泛的应用。
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