隨著時間的推移,我注意到了幾篇關於 RL 的文章:

閱讀金融時間序列的預測(如監督學習)也很有價值:

其他方法:

還有很多關於統計主題的讀物。交易中有趣的是支撐阻力線和布林帶,以及更多類似的指標。

之後會再繼續補上

--

--

這篇文章,我想先來討論一下建模分析策略,進而帶入量價關係的探討。

使用的信號預測模型進行實際交易(買進/賣出)決策的機制在實時交易市場可以很好的跟蹤和瞭解市場的變化,並對應可以很快速的調整模型/系統參數讓它們跑得更好,這樣的模式適用在高頻和低頻的交易。

類似ARIMA / LSTM 的時序性模型去做股市的預測等等,已經是很常見的教學案例,是網路上常見的Python入門書籍甚至是進階書籍能看到的內容,以這樣的交易策略做部署,可能會暴露在多個未充分考慮的風險環境。

本小節想要更深入地觸及實際市場交易可以營利的策略,首先會先探討量價關係以及過往的經典研究(Research Paper)所提出的策略與觀察作為起點,一路寫到到實際市場交易的高頻交易策略開發,作為一系列的觀念,研究,策略分析與串接交易市場,部署策略的文章。

使用非參數的模型是有趣的,相對也是備受質疑的,對比參數模型/策略,可以調整的方式與模型推論的速度是否能當成高頻交易策略之一,是非常受到挑戰的,

隨著價格行為數據的利用增加,大家都在使用API或是現有的資料庫提取台股、美股、加密貨幣等交易商品的 『過去日線級別或是小時線級別的歷史價格資訊』 來建立相關的模型,通常在諸多環境被驗證不是一個足夠充分的模型來做真實的交易市場。

有必要尋找額外的交易信號,在這個章節我們討論一個理論模型,交易量和波動率之間的相關性

我們的方法是提供對主要工具的直觀討論;讀者會意識到,由於市場摩擦,交易數據嘈雜,正式的參數模型表現不佳。 因此,在限價單市場的觸及(Arrivals)和取消(Cancellations)的之間使用非參數經驗建模有很大的研究空間。

— — — — — — — — — — — —

用什麼資訊建模?

『狀態空間模型』最初是由控制系統⼯程師開發的,⽤於測量被噪聲污染的信號。 “時間” 的信號被認為是變量的線性組合,稱為狀態變量,它們形成了所謂的時間狀態向量 。 狀態向量的關鍵屬性是它包含來⾃過去和現在數據的資訊,但其實系統的未來行為獨⽴於過去值,僅取決於當前值。 因此,潛在狀態向量根據Markov性質(i.e. Hidden Markov Model)演變。

雖然可以通過狀態空間模型這類的方法對通過回報和波動率的價格信息進行建模,但整合其他相關交易數據以增強交易策略變得很重要。

為此,我們希望從經濟理論中尋求一些線索,這些信息如何與價格變動聯繫起來。
在市場微觀結構理論中,假設價格變動主要是由於新信息的到來而發生的,並且這些信息有效地融入了市場價格中。

『成交量 — 波動率關係模型』

(成交量- 波動率關係):

  • 條件波動率與交易量之間存在正相關關係。
  • 價格大幅波動會伴隨高成交量。
  • 以滯後交易量為條件大大減弱了槓桿效應(這是當前價格變化與過去價格變化的條件方差的不對稱)。
  • 以滯後值為條件後,存在正向風險回報關係。
S&P 500 Index 歷史走勢
  • 使用上圖為例,圖中提供的S&P標準普爾500指數資料,可以確認這些發現。在政權轉換期間(例如1999年10月至2000年11月)我們應該預期波動性更高,此期間的交易量也隨之很高。波動率與交易量之間存在著很高的關聯性。 (而我們必須把這樣的市場資訊轉換為可以利用的其中一種input information)

有幾個過往的經典研究說明交易量取決於過去數⽉的回報,有⼈認為這可能是由於投資者過度⾃信。

還有其他研究側重於交易量和回報關係,我們在這裡只提到少數幾個:

  • Andersen(1996) 、Glosten和Milgrom(1985) 透過微觀結構的設置與基於信息到達過程的較弱條件的隨機波動性相結合來修改模型。
  • Campbell、Grossman 和 Wang (1993) 證明,對於個別⼤型股票和股票指數,收益的⼀階每⽇⾃動相關性往往會隨著交 易量下降。 作者開發了⼀個理論模型,其中經濟有兩種資產,無⾵險資產和股票,並且有兩種類型的投資者,一種具有恆定的風險厭惡程度,另一種具有隨時間變化的風險厭惡程度。在這樣的設置下,暗示著股票價格在高成交量日的下跌比在低成交量日的下跌更有可能與預期股票收益的增加相關聯。
  • Gervais、Kaniel 和 Mingelgrin (2001) 調查了交易活動在提供有關未來價格的信息中的作⽤。 結果表明,在交易量極⾼(極低)的時期之後往往會出現正(負)超額回報。 識別極端交易量的形成期是⼀天或⼀周,但效果⾄少持續⼆⼗天,並且適⽤於所有股票規模。 為了測試這些信息是否可以盈利,作者構建了⼀種交易策略,在形成期結束時以現有的買(賣)價發送買(賣)限價單。 如果訂單沒有被接受,它們將在收盤時轉換為市場訂單。 在考慮交易成本後,該策略被證明可以帶來利潤,尤其是中小型公司股票。用於經驗框架的模型是第 3 章中討論的向量自回歸模型,並添加了一組外生控制變量:

--

--

Louis Shen

Louis Shen

Google Machine Learning Engineer, Interested in quantitative research and crypto HFT trading.