一個思路,利用T檢驗去尋找量化交易CTA趨勢
經過一段時間學習和實踐,感覺對於期貨擇時交易,跟隨趨勢基本上可以被認為是不二途徑。那麼對於CTA交易策略來說,及早發現趨勢是非常重要。尋找趨勢的方法很多,經典的比如均線快慢線交叉,布林帶還有其他各種時序動量指標,這裡推薦看看公眾號刀疤連的一邊大作‘和趨勢做純純的朋友’,有非常全面分析。
在實踐中,發現經常陷入一個兩難局面,一方面是希望及時發現趨勢,這樣不可避免就是的判定閾值變得敏感;往往就是敏感的指標被市場白噪聲和某些蓄意大寶劍圖形(針對趨勢交易者的迅速拉昇然後砸下來圖形)觸發,被來回打臉,連續虧損。另一個方面為了避免被來回打臉,調高觸發指標,又會導致錯失趨勢。
之前一直嘗試用流水線質檢的方法去尋找趨勢策略, 和分析時序序列有點相似。質檢時候,要及時發現產出是否有生產線問題,如果晚了,大量殘次品出來;如果太敏感,把個體隨機問題認為是生產問題,又會因為生產線停機檢修造成損失。之前用的CUSUM就是這個方法。
最近有一個思路,嘗試用T 檢驗這個方法去發現趨勢。關於T 檢驗現在也廣泛用在質量檢測,藥效測試。這裡面還有個典故,T檢驗是戈斯特為了觀測釀酒質量而發明的。戈斯特在位於都柏林的健力士釀酒廠擔任統計學家。戈斯特於1908年在Biometrika上公佈T檢驗,但因其老闆認為其為商業機密而被迫使用筆名(學生),所以有時候也叫學生檢驗。
這裡不準備講解具體檢驗數學邏輯,具體可以搜尋之,這裡只是說說應用;因為也是邊學邊用,有錯漏這出。
T檢驗有三種主要型別:
1.獨立樣本t檢驗:比較兩組獨立樣本平均值的方法,這裡要求兩組樣本 方差相等,即具有方差齊性。
2.配對樣本t檢驗:比較同一組中不同時間(例如,相隔一年)平均值的方法。
3.單一樣本t檢驗:檢驗單個組的平均值對照一個已知的平均值。
python的庫stats已經提供T檢驗,就是stats.ttest_ind/ stats.ttest_rel/ stats.test_1samp 方法, 示例程式碼如下:
這裡生成兩個正態分佈佇列,方法很簡單,返回T值,和P值;T值越接近0,則可認為假設可成立,如果T值離0值越遠,比如[1,-1]之外,則假設不成立,正均值想上,小於0均值向下。
import numpy as np import numpy.matlib a1 = np.random.normal(0,0.1,30) #均值為0,標準差為0.1的30個佇列 b1 = np.random.normal(1,0.2,30) #均值為1,標準差為0.2的30個佇列 t2, p2= stats.ttest_rel(a1, b1) #配對T檢驗,a1比b1,如果t值為負,p值小於0.05,說明均值a1小於b1,a1和b1同一個佇列假設不成立 print("t2 = " + str(t2)) print("p2 = " + str(p2)) t4, p4= stats.ttest_1samp(a1, 0) #樣本T檢驗,a1對比0,如果t只在1,-1之間,說明a1均值為0,假設成立 print("t4 = " + str(t4)) print("p4 = " + str(p4)) t5, p5= stats.ttest_1samp(b1, 0) #樣本T檢驗,b1對比0,如果t值不在1,-1之間,說明b1均值為0,假設不成立 print("t5 = " + str(t5)) print("p5 = " + str(p5))
這裡還有個前提,就是樣本是來自正態分佈總體的隨機樣本。而我們日常所用的期貨價格分佈並不是正態分佈,就像CUSUM裡面用的,這裡使用時段(5分鐘)的對數收益率,顯示為近似正態分佈,均值近似為0。可以考慮是否去極值,就是計算出標準差,然後將其中大於 u+3σ 的置換為u+3σ,將小於u-3σ 的置換為u-3σ,消除跳開的衝擊。
下圖為示意圖,從close轉為對數收益率,和對數收益率分佈。
在CTA趨勢發現時候, 這裡使用主要是 配對樣本t檢驗和單一樣本t檢驗。
配對樣本t檢驗:是按照時段進行對比,這裡可以有相互部分覆蓋的時段序列對比,比如 [t-30, t-10]和[t-20,t]對比,中間可以有10個時段相互覆蓋。如果前後兩個時間佇列的T檢驗發現T值為正且大於1則,相對過往時段有趨勢向上;反正向下。
單一樣本t檢驗,用一段時間段和均值0對比,如果值在[-1.1]之間,可以認為其實沒有趨勢,如果大於1或者小於-1,則可以認為有向上或向下趨勢。
簡單程式碼檢測, 是用5分鐘對數收益率進行配對和樣本T檢測,如果連續3個配對樣本的T值都大於1,或都小於-1,則去向上或向下。
from scipy import stats from scipy.stats import norm,t import matplotlib.pyplot as plt logdata = pd.DataFrame() logdata['close'] = np.log(dfrb5min['close']) # 對數化傳入5分鐘close佇列dfrb5min['close'] logdata['closeIndexDiff_1'] = logdata['close'].diff() # 1階差分處理,求出對數收益率 t = 40 for i in range(t,len(logdata['close'])): #求出配對T檢測t4 t4, p4= stats.ttest_rel(logdata['closeIndexDiff_1'][i-20+1:i+1],logdata['closeIndexDiff_1'][i-30+1:i-10+1]) #求出樣本T檢測p0 t0, p0 = stats.ttest_1samp(logdata['closeIndexDiff_1'][i-15+1:i+1],0) logdata.loc[i,'t'] = t4 logdata.loc[i,'t1samp'] = t0 #如果絕對值大於0,則使用 if abs(t0) > 1.0: logdata.loc[i,'t0Index'] = t0 else: logdata.loc[i,'t0Index'] = 0 if abs(t4) > 1.0: logdata.loc[i,'tIndex'] = t4 else: logdata.loc[i,'tIndex'] = 0 #csv輸出 logdata.to_csv("C:\\Project\\MA8888va1min5v3.csv", index=True, header=True) closeArray = np.array(dfrb5min['close']) listup,listdown = [],[] for i in range(1,len(logdata['closeO'])): if logdata.loc[i-1,'tIndex'] >1 and logdata.loc[i,'tIndex']>1 and logdata.loc[i-1,'t0Index'] >1 and logdata.loc[i,'t0Index']>1 and logdata.loc[i-2,'tIndex']>1 and logdata.loc[i-2,'t0Index'] >1 : listup.append(i) elif (logdata.loc[i,'tIndex'] < -1 and logdata.loc[i-1,'tIndex'] <-1) and (logdata.loc[i,'t0Index'] < -1 and logdata.loc[i-1,'t0Index'] <-1) and logdata.loc[i-2,'tIndex']<-1 and logdata.loc[i-2,'t0Index'] <-1 : listdown.append(i) fig=plt.figure(figsize=(18,6)) plt.plot(closeArray, color='y', lw=2.) plt.plot(closeArray, '^', markersize=5, color='r', label='UP signal', markevery=listup) plt.plot(closeArray, 'v', markersize=5, color='g', label='DOWN signal', markevery=listdown) plt.legend() plt.show()
從示例圖來看,有一定趨勢發現能力,但是還是陷入短趨勢困境,這個是時序佇列長度選取,t值都有關係,還是要進一步最佳化。
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/22259926/viewspace-2669415/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 趨勢性量化交易策略的一些思考
- 在慢變數中尋找小趨勢變數
- 良好交易策略構建的思路與一個有效的量化交易系統開發
- 利用python庫stats進行t檢驗Python
- 【跟單】去中心化量化合約跟單策略交易系統設計開發思路中心化
- 網際網路+檢驗檢測智慧化成發展趨勢
- 叮!給你尋找最優解的思路
- update沒帶where,尋找問題的思路
- 用ollyDbg尋找VB程式的註冊核心的一點思路
- 做一個搜尋引擎的思路
- 利用 Twitter 找工作 | 如何尋找招聘資訊
- 用QT寫一個搜尋引擎思路QT
- 以養活自己的態度去尋找第一份工作
- 為IMT業務尋找下一個核心頻段
- 加密貨幣交易模式系統搭建開發:量化交易帶來的優勢加密模式
- 利用NAS尋找最佳GAN:AutoGAN架構搜尋方案專為GAN打造架構
- 實驗一 思路
- 源中瑞量化交易軟體_量化自動交易平臺
- 量化交易系統開發需求丨量化交易原始碼模式原始碼模式
- 怎麼利用PHP去ping一個地址 (轉)PHP
- 一個程式猿的2023總結:《尋找》
- 自編函式做t檢驗函式
- 數字貨幣量化交易平臺 數字貨幣量化交易平臺有哪些 雲度數字貨幣量化交易 什麼是量化交易 雲度量化介紹 數字貨幣市場的量化交易工具有哪些? 量化交易需要注意什麼?
- 尋找一個有支付軟體開發經驗的外包公司開發支付系統
- 量化交易:日內迴轉交易策略
- 分散式OLTP資料庫發展趨勢(一):徹底去中心化分散式資料庫中心化
- 量化交易系統開發app,量化馬丁策略交易平臺搭建APP
- 量化合約交易模式軟體開發|量化交易系統搭建模式
- AI時代 IT工程師如何利用自身優勢做量化投資AI工程師
- (七)一個尋找陣列中眾數的演算法陣列演算法
- 搜尋趨勢:微軟必應新版整合AI和實時搜尋微軟AI
- 龍哥量化:通達信尋找超跌區指標公式原始碼副圖指標公式原始碼
- 在字串中,尋找第一個只出現一次的字元字串字元
- “量化交易”系統開發技術詳細丨“量化交易”原始碼原始碼
- 尋找JAVA人材!Java
- 主動找智慧鑰匙 PKE取代RKE是大勢所趨
- 尋找兩個正序陣列的中位數問題,方法一:合併陣列檢索法陣列
- PHP利用反射根據類名反向尋找類所在檔案PHP反射