拓端tecdat|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

原文出处：拓端数据部落公众号

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）：

#*****************************************************************
# 加载一天结束时的历史数据
#*****************************************************************# 股票代码
tickers = '
AGG
DBC
EEM
EFA
'getSymbols.extra(tickers, src = 'yahoo', from = '1970-01-01', env = data, set.symbolnames = T, auto.assign = T)#*****************************************************************
# 构建另一个不含股利的价格调整后的回测环境#*****************************************************************for(i in data$symbolnames) data.price[[i]] = adjustOHLC(data[[i]], symbol.name=i, adjust='split', use.Adjusted=F)#*****************************************************************
# 调整价格
#*****************************************************************
for(i in data$symbolnames) data[[i]] = adjustOHLC(data[[i]], use.Adjusted=T)
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

#*****************************************************************
# 排名60天变化率#******************************************************************
return = prices / mlag(prices,60) - 1
position.score = iif(return < 0, NA, return)
data$weight[period.ends0,] = ntop(position.score[period.ends1,], 1)#*****************************************************************
# 60/120天的排名变化率
#******************************************************************
return = prices / mlag(prices,60) - 1 + prices / mlag(prices,120) - 1
position.score = iif(return < 0, NA, return)data$weight[period.ends0,] = ntop(position.score[period.ends1, , 1)#*****************************************************************
# 创建报表
#*****************************************************************
plot(models)

mom60    mom120
Period  Jan2002 - Mar2015   Jan2002 - Mar2015
Cagr    18.05   15.47
Sharpe  0.89    0.76
DVR 0.85    0.7
R2  0.95    0.92
Volatility  21.26   22.21
MaxDD   -33.49  -51.75
Exposure    94.36   94.36
Win.Percent 63.76   62.42
Avg.Trade   1.69    1.49
Profit.Factor   2.24    2
Num.Trades  149 149

models$mom60 weight  entry.date  exit.date   nhold   entry.price exit.price  return
SPY 100 2013-06-28  2013-07-31  33  155.04  163.06  5.17
XLV 100 2013-07-31  2013-08-30  30  49.88   48.12   -3.53
XLV 100 2013-08-30  2013-09-30  31  48.12   49.66   3.20
FXI 100 2013-09-30  2013-10-31  31  35.92   36.40   1.34
EEM 100 2013-10-31  2013-11-29  29  41.16   41.05   -0.27
XLV 100 2013-11-29  2013-12-31  32  54.24   54.64   0.75
SPY 100 2013-12-31  2014-01-31  31  180.35  173.99  -3.53
XLV 100 2014-01-31  2014-02-28  28  55.16   58.59   6.22
IYR 100 2014-02-28  2014-03-31  31  65.72   65.81   0.14
IYR 100 2014-03-31  2014-04-30  30  65.81   67.81   3.04
EEM 100 2014-04-30  2014-05-30  30  40.42   41.62   2.97
EEM 100 2014-05-30  2014-06-30  31  41.62   42.62   2.40
IYR 100 2014-06-30  2014-07-31  31  70.41   70.33   -0.11
FXI 100 2014-07-31  2014-09-30  61  39.96   37.80   -5.41
UUP 100 2014-09-30  2014-10-31  31  22.87   23.09   0.96
XLV 100 2014-10-31  2014-11-28  28  67.02   69.35   3.48
XLV 100 2014-11-28  2014-12-31  33  69.35   68.38   -1.40
IYR 100 2014-12-31  2015-01-30  30  76.84   81.23   5.71
IYR 100 2015-01-30  2015-02-27  28  81.23   79.12   -2.60
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。

#*****************************************************************
# 辅助函数
#******************************************************************return = prices / mlag(prices,60) - 1position.score = iif(return < 0, NA, return)return = prices / mlag(prices,60) - 1 + prices / mlag(prices,120) - 1position.score = iif(return < 0, NA, return)models[[paste0('mom120',name)]] =run(data, clean.signal=F, commission = commission, trade.summary=T, silent=T)models#*****************************************************************
# 安装
#******************************************************************all.models = c(all.models, strategy(prices.adj, data, 'Adjusted'))#*****************************************************************
# 创建报表
#*****************************************************************plot(models

print(plotbt.strateg(models, make.plot=F,

mom60Adjusted    mom60Actual mom60Hybrid
Period  Jan2002 - Mar2015   Jan2002 - Mar2015   Jan2002 - Mar2015
Cagr    18.05   15.02   17.22
Sharpe  0.89    0.76    0.85
DVR 0.85    0.73    0.82
R2  0.95    0.96    0.96
Volatility  21.26   21.33   21.33
MaxDD   -33.49  -35.99  -33.74
Exposure    94.36   92.44   92.44
Win.Percent 63.76   62.33   63.01
Avg.Trade   1.69    1.49    1.67
Profit.Factor   2.24    1.98    2.15
Num.Trades  149 146 146

plotbt(models, plotX = T, log = 'y'

print(plotstrategy)

mom120Adjusted   mom120Actual    mom120Hybrid
Period  Jan2002 - Mar2015   Jan2002 - Mar2015   Jan2002 - Mar2015
Cagr    15.47   13.61   15.66
Sharpe  0.76    0.69    0.77
DVR 0.7 0.64    0.73
R2  0.92    0.92    0.94
Volatility  22.21   22.08   22.07
MaxDD   -51.75  -49.93  -47.15
Exposure    94.36   92.47   92.47
Win.Percent 62.42   60.96   61.64
Avg.Trade   1.49    1.37    1.54
Profit.Factor   2   1.9 2.02
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