R语言动量交易策略分析调整后的数据

2021-05-12 14:06:05 阅读：224 来源： 互联网

标签：return 策略 31 30 动量 2014 100 2013 语言

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）：

#*****************************************************************
# 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) - 1
  position.score = iif(return < 0, NA, return)


  return = prices / mlag(prices,60) - 1 + prices / mlag(prices,120) - 1
  position.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

标签：return,策略,31,30,动量,2014,100,2013,语言
来源： https://blog.51cto.com/u_15198753/2770021

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

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