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) (点击文末“阅读原文”获取完整代码数据)。
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。
相关视频
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)
点击标题查阅往期内容
【视频】量化交易陷阱和R语言改进股票配对交易策略分析中国股市投资组合
左右滑动查看更多
01
02
03
04
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
点击文末“阅读原文”
获取全文完整代码数据资料。
本文选自《R语言动量交易策略分析调整后的数据》。
点击标题查阅往期内容
【视频】量化交易陷阱和R语言改进股票配对交易策略分析中国股市投资组合
使用R语言对S&P500股票指数进行ARIMA + GARCH交易策略
R语言量化交易RSI策略:使用支持向量机SVM
R语言资产配置: 季度战术资产配置策略研究
R语言动量交易策略分析调整后的数据
TMA三均线股票期货高频交易策略的R语言实现
R语言时间序列:ARIMA / GARCH模型的交易策略在外汇市场预测应用
R语言基于Garch波动率预测的区制转移交易策略
r语言多均线股票价格量化策略回测
使用R语言对S&P500股票指数进行ARIMA + GARCH交易策略
Python基于粒子群优化的投资组合优化研究
R语言Fama-French三因子模型实际应用:优化投资组合
R语言动量和马科维茨Markowitz投资组合(Portfolio)模型实现
Python计算股票投资组合的风险价值(VaR)
R语言Markowitz马克维茨投资组合理论分析和可视化
R语言中的广义线性模型(GLM)和广义相加模型(GAM):多元(平滑)回归分
PYTHON用RNN神经网络LSTM优化EMD经验模态分解交易策略分析股票价格MACD
R语言深度学习:用keras神经网络回归模型预测时间序列数据
【视频】CNN(卷积神经网络)模型以及R语言实现回归数据分析
Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性
数据分享|PYTHON用KERAS的LSTM神经网络进行时间序列预测天然气价格例子
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
Matlab用深度学习长短期记忆(LSTM)神经网络对文本数据进行分类
RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
结合新冠疫情COVID-19股票价格预测:ARIMA,KNN和神经网络时间序列分析
深度学习:Keras使用神经网络进行简单文本分类分析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户流失模型
PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列:多层感知器(MLP)和极限学习机(ELM)数据分析报告
R语言深度学习:用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆(LSTM)神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据(MNIST)
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言实现CNN(卷积神经网络)模型进行回归数据分析
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN(卷积神经网络)模型进行回归数据分析
Python使用神经网络进行简单文本分类
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
R语言基于递归神经网络RNN的温度时间序列预测
R语言神经网络模型预测车辆数量时间序列
R语言中的BP神经网络模型分析学生成绩
matlab使用长短期记忆(LSTM)神经网络对序列数据进行分类
R语言实现拟合神经网络预测和结果可视化
用R语言实现神经网络预测股票实例
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python:使用Keras的多标签文本LSTM神经网络分类