为了给大家提供较为清晰易懂的量化择时策略以供入门，我们同样在优化过程中使用全部模拟交易样本进行一次性的优化。不过与前面均线策略的优化相比，这里优化的目标是不一样的。均线策略的优化目标是整个交易期间内的收益率最大，而这里的优化目标则是样本数据上自回归模型的拟合度最高，从实践的角度来看就是模型拟合后对未来收益率的预测最好。#ETH #crypto2023 #Binance #Web3 #xiaoyiclub

实际上，大部分的择时策略都可以纳入这样一个框架中，更复杂一些的择时策略组成成分，如过滤器之类的辅助判别工具，可以看作分类技术的进一步细化。而仓位建立之后的进一步加仓、减仓、止损、止盈等手法，则可以看作分类类别更多的分类器所导出的结果。当然，在现实的量化交易策略研究当中，有时候把加仓、减仓当作另外一次开仓、平仓的过程来对待，然后将多次交易行为合并起来，可能会是一种更为高效的处理方法，逻辑上也更为清晰一些，不过这并不妨碍我们使用上面所述的框架来理解整个策略。#whycrypto #xiaoyiclub #Binance #BNB #Web3

自回归模型是计量经济学中最简单最基本的模型之一，常常用来刻画时间序列的性质以及做出相应的预测。我们就通过自回归模型构建量化择时策略，并将其运用于现实数据当中，为基于收益预期的择时策略提供一个简单的案例。图4-9在图4-4的框架基础上，说明了一个自回归策略是如何运行的。#ETH #crypto2023 #Binance #Web3 #xiaoyiclub

式中，rt是交易资产在t时刻的收益率；bi是各阶的回归系数。交易决策的时间点为t时刻头、t-1时刻末，此时rt-1到rt-N一共N日的日度收益率都是已知数据，通过计算上面的回归式就可以得到对t时刻收益率的预测值。当t时刻的预期收益率为正时，则看多t时刻的交易资产；当t时刻的预期收益率为负时，则看空t时刻的交易资产。分类过程中同样需要保证两个分类标准合并起来涵盖所有的可能性，因此当预测值为零时，固定将其分类为多或者固定将其分类为空即可。#ETH #crypto2023 #Binance #BNB #xiaoyiclub

前面已经提到过，对于这样的策略框架而言，由于存在着预测未来收益这样一个中间步骤，因此参数的最优化既可以通过自回归模型在样本中的拟合来完成，也可以通过使得自回归策略在样本中交易的收益最大化来完成。

#ETH #Web3 #BNB #Binance #xiaoyiclub

对于自回归模型这样一个相对而言比较简单的策略模型来说，其实两种优化方法都是可以使用的，相对而言后一种方法可能还更加贴近实际交易的意图一些。但是这里使用的优化方法确定为前面一种，即通过拟合自回归模型来获取系数值，这样做一是为了给大家呈现出不同优化方法的实际案例，二是因为在实际研究中如果使用更复杂一些的预测模型或手段，特别是拟合技术相对固定的一些模型如神经网络等，后一种优化方法的计算过于复杂，因此在实践中被应用的情况其实并不多见。#ETH #crypto2023 #Binance #Web3 #xiaoyiclub

在自回归模型拟合完成之后，便可通过确定了回归系数的模型在相同的样本下逐日预测下一日的收益率，进而判断交易方向，得到回溯条件下相应的交易情况。需要强调的是，由于策略逐日进行判断，同时我们又希望保证“股指期货交易的杠杆率为100%”，因此约定在每个做空日之后都重新调整杠杆率为100%。与前面均线策略做空期间不进行调整的情况是有所不同的，应特别注意。#ETH #crypto2023 #Binance #Web3 #xiaoyiclub

量化交易的流程(一)
量化交易的流程通常包括以下步骤：
数据收集：首先需要收集大量的市场数据，这可以通过API或从市场数据提供商获得。
数据分析：分析收集的数据，以确定市场趋势和可能的交易机会。
策略确定：根据数据分析结果确定交易策略。
程序开发：开发用于执行交易策略的计算机程序。#Binance #BTC #ETH #xiaoyiclub

【加密货币的量化交易可行性】
量化交易在加密货币中是可行的，因为加密货币在多个交易所上交易，价格可以通过API轻松获得。此外，数字货币具有大的交易量和价格波动，这可以为量化交易者创造交易机会。然而，加密货币市场仍然相对较新，不如传统金融市场成熟，涉及的挑战和风险诸多，如高波动性、缺乏监管和技术问题。量化交易者需要了解这些因素，对加密货币市场有一个坚实的了解，才能从事数字货币的量化交易。
#BTC #ETH #Binance #xiaoyiclub

在一些专业书籍中，过度拟合问题有时候也被称为曲线拟合。欠拟合则恰好相反，往往是由于选取的策略或者模型过于简单，适应交易资产内在特征的能力不强，拟合水平较低，因此盈利能力也就较弱。就过度拟合和欠拟合的具体表现而言，两者有相似之处也有不同之处。#whycrypto #xiaoyiclub #ETH #crypto2023 #Web3

正如上面所述，两种问题都会导致策略的实际盈利能力下降，这是它们的相同之处。但是欠拟合的量化交易策略由于对数据的描述和挖掘能力不足，往往在历史数据优化下和实际交易中都表现不好，因此在回溯测试时就可以比较直观地分辨出来。#whycrypto #xiaoyiclub #Web3 #BNB #Binance

过度拟合的量化交易策略则不同，由于在拟合样本数据时过度优化，进而拟合了样本中噪声的特性，因此常常是历史数据优化下的结果很好，只有在实际交易中才会显著变差，也就是俗称的泛化能力低下。在实际的量化交易策略研发过程当中，这样的性质增加了过度拟合判别的难度。#whycrypto #xiaoyiclub #ETH #Web3 #Binance

在实际工作中，研究选取的策略或模型可能只有一部分设置适应了交易资产的内在属性，相符的内在属性也只占交易资产整体属性的一部分，因此策略模型是欠拟合的。好在量化交易策略研发并不是一个需要绝对精确的学科，即使策略模型与数据内在特性相符的程度不大，只要存在这种适应性，就有可能为我们带来可观的利润。与此同时，研究得到的策略模型的另外一部分设定可能就与交易资产的内在属性完全没有相关性，经过最优化等工作之后只是拟合了资产交易中的噪声，从而造成过度拟合的问题。#whycrypto #ETH #Web3 #crypto2023 #xiaoyiclub

实际工作中，我们既需要减少量化交易策略过度拟合的程度，也要同时减少策略欠拟合的程度。解决欠拟合的途径较为清晰，就是不断地尝试各种各样的策略，基于更多、更好的策略模型来挖掘交易资产的内在特征，获得相应的盈利能力。当然，尝试新策略是量化交易策略研究工作的基本要求，因此欠拟合这一问题也较少地被研究人员所提及，大部分文献资料都更注重于过度拟合的问题，也存在许多相关论述。#whycrypto #xiaoyiclub #ETH #crypto2023 #Binance

从本质上说，简化策略当然是一个行之有效的较少过度拟合的方法，冯·诺伊曼（John von Neumann）曾通过他人之口说出了“我能用四个参数拟合一头大象，用五个参数让它摆动鼻子”的经典名言，参数过多、模型过于复杂可能会导致过度拟合这一看法已经成为一个公论。#whycrypto #xiaoyiclub #Binance #Web3 #BNB

在量化交易策略的研发工作中，策略的复杂程度、参数数量的设置等问题常常需要研究人员根据实际情况、过往经验来进行主观判断，没有一个固定的最优标准。好在针对回溯测试过程而言，存在着一些可以用来判别过度拟合问题的技巧，因此我们可以在适当增加量化交易策略复杂程度的基础上，通过这些技巧来尽量规避策略的过度拟合，后面介绍的推进分析正是一种处理过度拟合问题时行之有效的分析技巧。#ETH #crypto2023 #Binance #whycrypto #xiaoyiclub

增加回溯测试时使用的样本量也是一个可能会产生作用的做法。如果量化交易策略所针对的交易资产内在特性没有随着时间产生变化，那么增加样本量可以扩展回溯测试的覆盖范围，从而在更大的区间内研究策略的稳定程度，而样本量的增加也可以让我们更自由地使用一些判断过度拟合的研究技巧，这样就能够在保证不造成欠拟合问题的条件下，更好地规避过度拟合的产生。#whycrypto #xiaoyiclub #ETH #crypto2023 #Web3

在这种情况下，不经判断而盲目地增加数据量，就可能对量化交易策略的盈利能力造成误判。而且在数字货币这种运作时间较短、环境变化较快的市场上，该问题就更加严重。完全消除这个矛盾需要我们对本质问题充分理解和把握，这并不是仅靠一个合理的量化交易策略研发框架就可以解决的问题。#whycrypto #xiaoyiclub #Binance #ETH #Web3

如果这里的资产是交易的币种，那么情况可能更糟，在交易日内第一次超过53.5时进行了买入操作之后，由于T+1的规定不能再在该日卖出，最后的结果是回溯测试中该日没有交易，但是实际上该日收盘后持有了股票仓位，这种差异将完全破坏掉回溯测试结果的可信程度。#whycrypto #xiaoyiclub #ETH #crypto2023 #Binance

第一类，在分类为多的情况下，如果当前仓位为多头，则保持不变；如果不是，则通过买入操作将仓位变为多头。第二类，在分类为空的情况下，如果仓位为空头，则保持不变；如果不是，则通过卖出和卖空操作将仓位变为空头。另外，假如市场禁止做空，那么在分类为空的情况下，如果仓位为空仓，则保持不变；如果不是则通过卖出操作将仓位变为空仓。#whycrypto #xiaoyiclub #Binance #BNB #Web3