Bollinger bandas kalman filter

Indicadores de Negociação de Curto Prazo & ndash; Bollinger Bands As Trend Filter.

Ganhe $ 250, $ 500, $ 1000 ou mais. Embora nunca possua qualquer estoque ou ETF!

A Bollinger Band é um dos mais populares Indicadores de Negociação de Curto Prazo.

Hoje, eu vou mostrar-lhe como usar um dos meus indicadores preferenciais de negociação de curto prazo para determinar as condições do mercado e a direção do mercado. A banda Bollinger foi inventada por John Bollinger no início dos anos 80. É amplamente utilizado como um indicador para localizar condições de mercado de sobrecompra e sobreposição. Ele rapidamente se tornou um dos indicadores mais populares de negociação de curto prazo.

Hoje vou mostrar-lhe um uso diferente e mais robusto para este indicador. Antes de entrar em como usar a Banda de Bollinger, deixe-me explicar-lhe exatamente o que é.

A Bollinger Band consiste em três partes: uma média móvel simples e dois desvios padrão desta média móvel, isto é conhecido como banda superior e inferior. A maioria dos comerciantes usa a Bollinger Band para negociar estratégias de desvanecimento da tendência; Estas são estratégias de reversão que ocorrem quando o mercado supera temporariamente.

A idéia é vender quando o preço chegar acima da banda superior e comprar quando o mercado fica abaixo da faixa Bollinger inferior. A Bollinger Band funciona muito bem para tendências de desvanecimento quando o mercado está vinculado e agitado. No entanto, quando os mercados tendem fortemente, o uso das Bandas de Bollinger para escolher tops e fundos é altamente desencorajado. Muitos comerciantes cometem esse erro e acabam pagando um alto preço pelo uso da banda Bollinger em mercados de tendências fortes.

Bandas Bollinger podem ser usadas de forma efetiva para determinar as condições do mercado.

Embora, eu usei a Bollinger Band para tendências de desvanecimento do mercado, quando as condições do mercado são apropriadas, tendem a usá-lo mais como um filtro para determinar se o mercado está de fato limitado ou tendencial. Eu acho que usar a Banda de Bollinger para determinar a direção do mercado e se o mercado está, de fato, tendendo o melhor uso para esse indicador. Isso me ajuda a decidir exatamente qual indicador usar para prosseguir com as condições de entrada. A Bollinger Band vem de série em todos os programas de gráficos online e offline, para que não tenha que se preocupar em encontrá-lo e calculá-lo, o trabalho duro é feito para você.

As configurações que John Bollinger, o inventor da banda recomenda, são 20 dias para a média móvel e 2 desvios padrão para a banda superior, bem como para a banda inferior. Eu costumo usar um período de 14 dias em vez do período de 20 dias, porque eu acho que o comprimento mais curto para a média móvel fornece uma melhor indicação para movimentos comerciais de curto prazo. Não me importo de tocar os níveis de desvio padrão porque eles funcionam muito bem sem ajustes.

Agora que você ajustou o prazo médio móvel, mostrar-lhe-ei como analisar as Bandas Bollinger para determinar se os mercados estão tendendo fortemente para cima, fortemente para baixo ou limitado e se movendo para os lados. Para determinar uma forte tendência de alta, você quer ver a banda superior se deslocando para cima e cada barra de comércio chegando a uma distância próxima, tocando ou penetrando ligeiramente a banda superior também. Aqui está um bom exemplo para que você veja como isso parece visualmente.

Observe como a banda superior aumenta e os preços estão chegando muito perto, tocando ou penetrando na banda superior.

Abaixo, você pode ver um bom exemplo de como as Bandas Bollinger também conseguem uma forte tendência de baixa. Observe a inclinação da banda baixa e como os preços estão gravitando em direção a essa banda. Este é um bom sinal de que os mercados se dirigem bruscamente para baixo, você também pode ver em um ponto em que a banda está aplanando e o mercado está se tornando fixo e plano também. Isto é o que torna a banda de Bollinger um dos melhores indicadores comerciais de curto prazo, a capacidade de analisar as condições do mercado em mercados voláteis e planos.

A tendência da ação da Intel está diminuindo fortemente. Tanto a banda inferior está inclinada para baixo e os preços estão próximos, tocando ou penetrando na banda.

Abaixo, você pode ver a Microsoft Corporation durante condições de mercado discretas sem tendência. As bandas são planas e a maioria das ações de preços está contida dentro das bandas também. Este é um bom exemplo de um mercado plano que está vinculado e não se move em nenhuma direção particular.

Você pode ver como as bandas são planas e a maior parte da ação de preço está contida dentro das bandas. As Bandas Bollinger fazem um excelente trabalho de identificar as condições do mercado.

Como você pode usar essas informações para ajudá-lo?

Existem várias maneiras pelas quais sua negociação pode se beneficiar com o uso de Bandas Bollinger para determinar a direção do mercado. Se você está negociando uma estratégia de tendência ou tendência, você pode usar esse método como um filtro para confirmar que esse mercado está de fato em tendência fortemente para cima ou para baixo. Se você está negociando uma estratégia plana de mercado ou uma estratégia de reversão, você pode usar esse método como filtro para confirmar que o mercado é de fato plano.

Muitos comerciantes usam a Banda Bollinger como um indicador de entrada ou saída, mas esquecem que tem vários benefícios adicionais, como um filtro para determinar a direção do mercado. A Bollinger Band continua a ser um dos melhores indicadores comerciais de curto prazo, no entanto, muitos comerciantes só usam a banda para determinar os níveis de sobrecompra e sobrevenda.

Ao usar a Banda Bollinger como um filtro para determinar as condições do mercado e a direção do mercado, você evitará a tendência de negociação seguindo as estratégias durante as condições de mercado lisas e evitar a escolha de tops e fundos durante as fortes condições de mercado de tendências.

Durante as próximas semanas, farei um perfil de indicadores de negociação adicionais a curto prazo e criarei um sistema com esses indicadores em tempo real. Então fique ligado.

Publicações populares.

Bollinger Bands Strategy - Como Comércio O Squeeze.

Estratégias de negociação Swing.

Estratégias de negociação de ouro para comerciantes de ações.

Estratégias de negociação do dia que funcionam - táticas de retirada intradiária.

1976 South La Cienega Blvd # 270.

Los Angeles, Califórnia 90034.

Conecte-se conosco.

O desempenho passado não é garantia de resultados futuros. Este site é apenas para uso educacional e de informações gerais. Entre em contato com seu consultor financeiro para obter aconselhamento financeiro específico. Nada neste site constitui conselho ou recomendação para comprar ou vender uma determinada ação, opção, futuros ou qualquer outro ativo financeiro. Copyright © Market Geeks, LLC. Todos os direitos reservados.

Dwell on Finance.

No caminho da experiência financeira.

Mudando a média com o filtro de Kalman como alternativa à Média de Movimento Simples.

Ao implementar Bollinger Bands®, você geralmente usa uma média móvel simples ao longo do período de loop-back especificado e então você calcula desvios padrão no mesmo período. No entanto, e especialmente é verdade para dados de longo prazo, você pode encontrar um problema de que a média móvel histórica e as bandas de Bollinger não são tão precisas para ajudar a prever o futuro. Especialmente é verdade quando há uma estabilidade sazonal clara nos dados e seu período histórico inclui flutuações sazonais.

Sugiro que haja uma maneira melhor. O filtro de Kalman coloca mais peso nas observações recentes, que, no caso de ações comerciais, é uma vantagem. A idéia básica por trás desse método é que assumimos que existe um verdadeiro processo subjacente que não podemos observar, mas sim podemos ver a variante ruidosa. Em geral, o modelo pode ser descrito por estas duas equações:

O modelo que tenta fazer é encontrar o valor K em X_t_new = X_t_est + K * (Z_t & # 8211; H * X_est). Primeiro, defina o valor para algum nível arbitrário e, em seguida, procede através dos dados, ele aprimora K. O tipo de aprendizado a partir dos dados.

Eu não sou um grande fã de deixar o tópico apenas na parte teórica, então vou mostrar com que facilidade você pode implementar o filtro Kalman usando o Python. Eu uso essa função no meu aplicativo de negociação algorítmica para obter a média móvel do preço das ações., Na qual ainda estou trabalhando. Aqui está o código:

Filtros: Bollinger Bands®

O filtro de desvio padrão é usado para confirmar outros sinais comerciais e indica níveis de sobrecompra e sobrevenda em relação a uma média móvel selecionada. Isso é feito comparando valores com Bollinger Bands em 1.0 desvio padrão acima e abaixo da média móvel selecionada. Por exemplo:

uma leitura de 250 indica que o preço de fechamento está na faixa superior de 2,5 STD; uma leitura de zero indica que o preço de fechamento está na média móvel; e uma leitura de -100 indica que o preço de fechamento está na faixa inferior de 1,0 STD.

Leituras extremamente altas (por exemplo, Mínimo 250) indicam alta volatilidade e possíveis oportunidades de venda. Leituras acima da média móvel (por exemplo, Mínimo 100) indicam que o preço está em alta tendência. Leituras extremamente baixas (por exemplo, Máximo -250) indicam alta volatilidade e possíveis oportunidades de compra.

Selecione o filtro Bollinger Bands Em seguida, selecione o filtro de desvio padrão Defina o valor Day, usando a caixa suspensa Digite um valor mínimo ou máximo.

Mínimo = preço de fechamento é maior que (ou igual a) o valor inserido.

Máximo = preço de fechamento é menor que (ou igual a) o valor inserido Clique no botão Adicionar para adicionar o filtro.

R & amp; D Blog.

I. Estratégia de negociação.

Desenvolvedor: Connors Group. Conceito: estratégia de negociação de reversão média baseada em Bollinger Bands% b. Objetivo de pesquisa: verificação do desempenho da configuração do padrão e do filtro de tendências. Especificação: Tabela 1. Resultados: Figura 1-2. Trade Setup: Long Trades: (Fechar [i-1] & gt; MA_Trend [i-1]) & amp; (% b [i - 1] & lt; 0,2) & amp; (% b [i - 2] & lt; 0,2) & amp; (% b [i - 3] & lt; 0,2). Short Trades: (Close [i-1] & lt; MA_Trend [i-1]) & amp; (% b [i - 1] & gt; 0,8) & amp; (% b [i - 2] & gt; 0,8) & amp; (% b [i - 3] & gt; 0,8). Índice: i.

Barra atual. Entrada comercial: Long Trades: Uma compra no open é colocada após uma configuração de alta. Operações curtas: uma venda no aberto é colocada após uma configuração de baixa. Trade Exit: Tabela 1. Carteira: 42 mercados de futuros de quatro principais setores de mercado (commodities, moedas, taxas de juros e índices de participação). Dados: 32 anos desde 1980. Plataforma de teste: MATLAB®.

II. Teste de sensibilidade.

Todos os gráficos 3-D são seguidos por gráficos de contorno bidimensionais para Fator de lucro, Ratio de Sharpe, Índice de Desempenho de Úlcera, CAGR, Drawdown Máximo, Percentagem de Negociações Rentáveis ​​e Média. Win / Avg. Rácio de perda. A imagem final mostra a sensibilidade da Equity Curve.

Variáveis ​​testadas: MA_Length & amp; MA_Trend_Length (Definições: Tabela 1):

Figura 1 | Desempenho do portfólio (Entradas: Tabela 1, Comissão e Slippage: $ 0).

MA (Close, MA_Length) é uma média móvel simples do preço de fechamento durante um período de MA_Length. O valor padrão para MA_Length é 5.

Std (MA_Length) é um desvio padrão da amostra durante um período de MA_Length.

St_Dev é uma série de desvios padrão para incluir no envelope de preços. O valor padrão para St_Dev é 1.

UpperBand [i] = MA [i] + St_Dev * Std [i].

LowerBand [i] = MA [i] - St_Dev * Std [i].

% b [i] = (Fechar [i] - LowerBand [i]) / (UpperBand [i] - LowerBand [i]). Quanto menor for o% b, mais o oversold & # 8221; O mercado é relativo à história recente. Quanto maior for o% b, mais o "overbought" & # 8221; O mercado é relativo à história recente.

MA_Length = [5, 60], Step = 1;

Short Trades: (Close [i-1] & lt; MA_Trend [i-1]) & amp; (% b [i - 1] & gt; 0,8) & amp; (% b [i - 2] & gt; 0,8) & amp; (% b [i - 3] & gt; 0,8).

Operações curtas: uma venda no aberto é colocada após uma configuração de baixa.

Stop Loss Sair: ATR (ATR_Length) é o alcance real médio em um período de ATR_Length. ATR_Stop é um múltiplo de ATR (ATR_Length). Long Trades: um stop de venda é colocado em [Entry - ATR (ATR_Length) * ATR_Stop]. Operações curtas: uma parada de compra é colocada em [Entrada + ATR (ATR_Length) * ATR_Stop].

MA_Length = [5, 60], Step = 1.

ATR_Stop = 6 (ATR.

Faixa verdadeira média

Tabela 1 | Especificação: Estratégia de negociação.

III. Teste de sensibilidade com a Comissão & amp; Slippage.

Variáveis ​​testadas: MA_Length & amp; MA_Trend_Length (Definições: Tabela 1):

Figura 2 | Desempenho da Carteira (Entradas: Tabela 1, Comissão e Slippage: $ 50 Round Turn).

IV. Classificação: Bollinger Bands% b | Estratégia de negociação.

REGRA CFTC 4.41: RESULTADOS DE DESEMPENHO HIPOTÉTICOS OU SIMULADOS TÊM CERTAS LIMITAÇÕES. DESEJO UM REGISTRO DE DESEMPENHO REAL, OS RESULTADOS SIMULADOS NÃO REPRESENTAM A NEGOCIAÇÃO REAL. TAMBÉM, DESDE QUE OS NEGÓCIOS NÃO FORAM EXECUTADOS, OS RESULTADOS PODERÃO TER COMPRIMIDO COM COMPENSADO PARA O IMPACTO, SE QUALQUER, DE CERTOS FATORES DE MERCADO, COMO FALTA DE LIQUIDEZ. PROGRAMAS DE NEGOCIAÇÃO SIMULADOS EM GERAL SÃO TAMBÉM SUJEITOS AO FATO QUE ESTÃO DESIGNADOS COM O BENEFÍCIO DE HINDSIGHT. NENHUMA REPRESENTAÇÃO ESTÁ FAZENDO QUE QUALQUER CONTA VOCE OU POSSIBILIDADE DE ALCANÇAR LUCROS OU PERDAS SIMILARES ÀOS MOSTRADOS.

DIVULGAÇÃO DE RISCOS: GOVERNO DOS ESTADOS UNIDOS EXERCÍCIOS RENÚNCIA | REGRA CFTC 4.41.

Nós compartilhamos o que aprendemos.

Inscreva-se para receber notícias de pesquisa e ofertas exclusivas.

Modelos de troca de pares.

O Pair Trading Lab oferece par algoritmos de negociação com base em vários modelos matemáticos. Estes são modelos atualmente suportados em PTL:

Modelo de Ratio.

Este é um dos modelos de troca de pares padrão descritos na literatura. Baseia-se na proporção de preços dos instrumentos, média móvel e desvio padrão. Em outras palavras, é baseado no indicador Bollinger Bands.

Desde 27 de novembro de 2014, este modelo também suporta o filtro RSI adicional que você pode usar além do método Bollinger Bands.

Suporte modelo.

no backtester PTL: sim (pontuação Z máxima não suportada) no backtester do portfólio PTL: sim no PTL Trader: sim (RSI suportado desde v1.2.0)

Neutralidade modelo.

Atualmente, nós apoiamos apenas uma versão neutra em dólares deste modelo, o que significa que alocamos os mesmos montantes de margem para ambas as pernas com base nos preços atuais no momento da abertura do cargo.

Parâmetros do modelo.

limite de entrada E n para Z-score, o intervalo de valores típico é & lt; 1.5, 2.5 & gt ;, 2.0 é usado com maior frequência o limite de saída E x para Z-score, o valor típico é & lt; -0.5, 0.5 & gt ;, 0 é usado mais frequente. valores negativos são permitidos (para sair do outro lado) limiar de descida E d para Z-score, valores típicos é & lt; 0, 1 & gt ;, 0 é usado com maior frequência. apenas usado para o modo de entrada de downtick como uma terceira faixa max Z-score E max (opcional, para filtrar extremos, o valor típico é & gt; 4 se usado) período médio móvel P m (intervalo típico & lt; 10, 100 & gt;), padrão = 15 média móvel tipo T (algoritmo), padrão = período de desvio padrão exponencial P s (intervalo típico & lt; 10, 100 & gt;), padrão = 15 modo de entrada (simples, subida, diminuição) RSI período e limiar (filtragem RSI opcional)

Descrição.

nós negociamos par de ações A, B, com séries de preços A (t), B (t), precisamos calcular a série de tempo de relação R (t) = A (t) / B (t) vamos aplicar a média móvel do tipo T com período P m em R (t) para obter séries temporais M (t) vamos aplicar o desvio padrão com o período P s em R (t) para obter séries temporais S (t) agora podemos criar Z-score série Z (t) como Z (t) = (R (t) - M (t)) / S (t), esta série de tempo pode nos dar z-score para sinalizar a decisão de negociação diretamente (na realidade, temos dois escores Z: Z-score ask e Z-score, uma vez que eles são calculados usando preços diferentes, mas por uma questão de simplicidade, vamos agora fingir que não pagamos o spread de oferta e oferta e temos apenas um Z-score) outra abordagem comum (para visualizar) é criar (t) = M (t) + S (t) * E n faixa de entrada inferior L n (t) = M (t) - S (t) = S (t) t) * E n banda de saída superior U x (t) = M (t) + S (t) * E x faixa de saída inferior L x (t) = M (t) - S (t) * E x faixa de descida superior U d (t) = M (t) + S (t) * E d (aplica-se à entrada de downtick Somente no modo), a banda de down down inferior L d (t) = M (t) - S (t) * E d (aplica-se apenas ao modo de entrada de downtick). Essas bandas são, na verdade, as mesmas bandas que no indicador Bollinger Bands e podemos usar o cruzamento de R (t) e bandas como sinais comerciais.

Posição de entrada.

Existem algumas possíveis abordagens sobre como interpretar as estatísticas do modelo para tomar decisões comerciais. Para entrar na posição, costumávamos chamá-los de modos de entrada. Esta é a lista deles e descrição como eles funcionam:

Por que temos o modo de entrada simples? Em situações normais e backtests, dá os mesmos resultados que o modo uptick. Mas a diferença surge ao negociar múltiplos pares em portfólio. O modo simples permite-lhe pular na posição imediatamente após a liberação de um novo slot, independentemente dos escores Z anteriores.

Qual modo de entrada é melhor? Difícil de dizer, às vezes o aumento, às vezes o downtick. Você tem que fazer sua lição de casa e decidir qual idéia se adequa melhor ao seu estilo comercial. Em geral, o modo uptick / simple é mais agressivo, pois não aguarda os primeiros sinais de reversão média espalhada.

Posição de saída.

Para sair da posição, sempre usamos apenas essas regras simples:

Tipos médios móveis.

Você pode escolher entre esses algoritmos de média móvel:

Qual é o melhor? Depende, você deve testar por si mesmo. Eles geralmente diferem no tempo de memória e com a rapidez com que reagem às mudanças. Padrão da indústria e o padrão é EMA. Sugerimos tentar todos eles em algum par de amostras para ver como eles funcionam.

Filtragem RSI.

Você pode combinar o modelo Z-score / Bollinger Band com o indicador RSI aplicado na razão R (t). O filtro RSI será ativado automaticamente se você definir o limite RSI para outro valor que zero. O filtro RSI é combinado com as regras Z-score usando o operador AND (a regra de entrada e RSI devem ser verdadeiras para abrir uma posição).

Você também pode alterar o período RSI se desejar (período padrão = 15).

RSI Threshold é um valor entre 0 e 50. Como o valor do indicador RSI oscila entre 0 e 100 (onde 50 = média), seu valor limiar é usado apenas para definir limites reais para RSI:

Vamos assumir RSI Período P r foi inserido O limite de valor RSI efetivo é então 50 + P r (superior) e 50-P r (inferior) você pode ver ambos os limiares na imagem de exemplo no lado direito.

O limite de RSI introduzido é 15, então, as posições curtas só são abertas, se RSI & gt; = 65 (50 + 15) posições longas só estiverem abertas, se RSI & lt; = 35 (50-15)

Dica útil: se você deseja controlar as regras de entrada apenas pelo RSI, você pode configurar o Modo de Entrada para simples e o Limite de Entrada para algum valor baixo.

Modelo residual.

O modo residual é baseado na regressão linear. Na literatura também foi referido como a abordagem de cointegração. A regressão linear de ambos os estoques é construída de modo a ajustar uma relação linear entre ambos os instrumentos e estimar seus melhores parâmetros usando o método OLS (Quadrados mínimos comuns). Em seguida, o desvio padrão é aplicado nos resíduos de regressão para estimar suas propriedades estatísticas e calcular os escores Z.

Esta implementação particular é muito simples. A regressão é construída usando janela flutuante de um período fixo, o mesmo período é usado para calcular o desvio padrão.

Suporte modelo.

no backtester PTL: sim (pontuação Z máxima não suportada) no backtester do portfólio PTL: sim no PTL Trader: sim (os modos uptick e downtick são suportados desde v1.2.0)

Neutralidade modelo.

Atualmente, nós apoiamos apenas uma versão neutra em dólares deste modelo, o que significa que alocamos os mesmos montantes de margem para ambas as pernas com base nos preços atuais no momento da abertura do cargo.

Parâmetros do modelo.

limite de entrada E n para Z-score, o intervalo de valores típico é & lt; 1.2, 2.5 & gt ;, 1,5 é usado com maior frequência o limite de saída E x para Z-score, o valor típico é & lt; -0.5, 0.5 & gt ;, 0 é usado mais frequente. valores negativos permitidos (permite sair do outro lado) limiar de redução E d para Z-score, o valor típico é & lt; 0, 1 & gt ;. usado para o modo downtick apenas como uma terceira faixa max Z-score E max (opcional, para filtrar extremos, o valor típico é & gt; 4 se usado) período de regressão linear P (janela flutuante é usada), intervalo típico & lt; 15, 300 & gt ; Modo de entrada (simples, subida, descida)

Descrição.

nós negociamos par de ações A, B, tendo as séries de preços A (t), B (t) primeiro, precisamos construir uma regressão linear entre A (t), B (t) usando OLS, onde A (t) = & # 946; * B (t) + & # 945; + R (t) porque usamos janela flutuante do período P (calculamos nova regressão a cada dia), nós realmente recebemos novas séries & # 946; (t), & # 945; (t), R (t), onde & (T) são séries de coeficientes de regressão e R (t) são resíduos (erros de predição) R (t) = A (t) - (& # 946; (t) * B (t) + & # 945; (t)), então aplicamos o desvio padrão do período P nos resíduos R (t) e nós o colocamos em S (t) agora podemos criar Z-score série Z (t) como Z ( t) = R (t) / S (t), esta série de tempo pode nos dar z-score para decisão de negociação de sinal diretamente (na realidade, temos dois escores Z: Z-score ask e Z-score lance à medida que são calculados usando preços diferentes, mas por uma questão de simplicidade, vamos agora fingir que não pagamos a propagação de ofertas e temos apenas uma pontuação Z)

Posição de entrada.

Existem algumas possíveis abordagens sobre como interpretar as estatísticas do modelo para tomar decisões comerciais. Para entrar na posição, costumávamos chamá-los de modos de entrada. Esta é a lista deles e descrição como eles funcionam:

modo de entrada = simples: para abrir a posição de par curto, é bastante simples se o Z-score Z (t) & gt; = E n para abrir a posição de par longo, é bastante simples se o Z-score Z (t) & lt; = - E n modo de entrada = uptick: o mesmo que simples, mas, além disso, o Z-score anterior deve estar abaixo da faixa de entrada (então, cruzamos a banda de dentro para fora): para abrir a posição de par curto, precisamos de Z (t ) & gt; = E n e Z (t-1) & lt; E n para abrir a posição de par longo, precisamos de Z (t) & lt; = - E n e Z (t-1) & gt; - E n modo de entrada = downtick: esperamos que o Z-score cruze a banda de fora para dentro (enquanto devemos ficar acima da banda de downtick): para abrir a posição de par curto, precisamos de Z (t) & lt; E n e Z (t-1) & gt; = E n e Z (t) & gt; E d para abrir a posição de par longo, exigimos Z (t) & gt; - En e Z (t-1) & lt; = - E n e Z (t) & lt; - E d.

Posição de saída.

Para sair da posição, sempre usamos apenas essas regras simples:

Modelo de Kalman.

Este modelo é baseado em Kalman Filter. Neste caso, o filtro é usado aqui em vez de regressão linear para determinar a taxa de cobertura apropriada, o desvio da média e o desvio padrão da propagação. A vantagem é que este filtro é superior ao lidar com o ruído em comparação com os métodos OLS ou TLS, também não tem nenhum período de lookback para otimizar. A desvantagem é que tem outros parâmetros (como & # 948;) para descobrir.

Recomendamos encarecidamente que leia mais detalhes sobre aplicativos de filtro Kalman em troca de pares neste livro.

Embora o Kalman Filter também avalie o desvio padrão na marcha, nossa implementação também suporta a possibilidade de ter um indicador de desvio padrão auxiliar aplicado diretamente na série de tempo de erro de previsão. A vantagem é que você tenha menos sensibilidade no & # 948; parâmetro, mas, por outro lado, um novo parâmetro lookback é introduzido.

O modelo de Kalman tem parâmetros muito sensíveis que impedem que ele seja negociado na realidade. Este modelo é fornecido apenas para fins educacionais - para poder ver como os parâmetros afetam seu desempenho. Use o modelo Kalman Grid para qualquer negociação séria.

Suporte modelo.

no backtester PTL: sim (pontuação Z máxima não suportada) no backtester do portfólio PTL: não planejado no PTL Trader: não planejado.

Neutralidade modelo.

Para o modelo de Kalman, nós apoiamos dólar neutro (quantidade equivalente em dólares investidos em cada perna) e regimes beta neutros.

Parâmetros do modelo.

Covariância de transição de filtro de Kalman & # 948 ;, o valor típico é 0.0001 - infelizmente esse modelo é muito sensível a este parâmetro, especialmente quando se usa estimativa de desvio padrão proveniente do filtro de Kalman. Covariância de observação do filtro Kalman V e, o valor típico é 0,001 período de desvio padrão auxiliar - se igual a zero, o filtro de Kalman é usado para estimar o desvio padrão, se não for zero, o indicador de desvio padrão auxiliar com este período é usado (uma estimativa do filtro de Kalman é ignorada) período instável = quantas observações de filtro de Kalman são ignoradas em o limite de entrada inicial (primeiras observações são bastante instáveis) E n para Z-score, o intervalo de valor típico é & lt; 1, 2 & gt; limite de saída E x para Z-score, o valor típico é & lt; -1, 0 & gt ;. valores negativos permitidos (permite sair do outro lado) limiar de redução E d para Z-score, o valor típico é & lt; 0, 1 & gt ;. usado para o modo downtick apenas como uma terceira faixa máxima Z-score E max (opcional, para filtrar extremos, o valor típico é & gt; 10 se usado) modo de entrada (simples, subida, descida)

Entrando & amp; Sair das posições.

O mesmo que no modelo residual.

Este modelo é fornecido somente para fins educacionais.

Modelo Kalman-grid (v2)

Após um ano de experiência com o Modelo de Kalman (v1) e os princípios de pesquisa de máquinas, passamos semanas de trabalho adicional no desenvolvimento de uma nova versão do modelo Kalman Grid, redesenhada a partir do zero. O Kalman Grid v2 é agora o modelo mais avançado que oferece PTL.

Este modelo traz o desempenho superior do design do filtro Kalman, mas também lida com todas as falhas de Kalman e Old Kalman Grid v1:

Todos os parâmetros do filtro de Kalman foram eliminados (& # 948 ;, V e) - eles são auto-estimados pela lógica da grade e atualizados com cada amostra de preço aumentou o desempenho médio em comparação com v1 problemas fixos de versão antiga, o que impediu o modelo de trocar também muitas vezes (maior falha de v1)

Este modelo tornou a versão 1 obsoleta e a substitui completamente.

Como funciona? Em vez de estratégia única (e filtro único de Kalman), toda a grade de filtros de Kalman é avaliada por um sistema proprietário ao mesmo tempo. Em seguida, os princípios de aprendizado da máquina são aplicados para classificar performances específicas do filtro de Kalman. Outro algoritmo é usado para figurar as saídas do filtro (inclinação, intercepção, desvio padrão) da rede inteira. Todo o sistema realmente se comporta como um único filtro de Kalman, mas sem necessidade de fornecer nenhum parâmetro.

Principais vantagens deste modelo:

ele espreita todo o lucro do par bate outros modelos em desempenho (em média) e também em desempenho por dia em posição sem risco de sobreposição na otimização de parâmetros (nada a otimizar, exceto limiares)

Questões desse modelo:

você ainda precisa definir limites de entrada / saída - basicamente isso afeta o número de negócios e uso de slots. O limite de saída geralmente é 0, tente o limite de entrada do intervalo & lt; 2,4 & gt; o simples A. I. O lado de dentro é baseado em lucro - então os pares não tão bons com ondas de lucro podem "enganar" o algoritmo para que ele caia do ótimo desempenho do modelo é proporcional ao uso da margem, avaliar esse modelo precisa de muita memória e recursos de processamento.

se você definir o limite de entrada para 1, limite de saída para -1, modelo para "simples" e se você permitir reversões, o modelo estará "sempre em posição", espremendo o maior lucro de bons pares.

Para dar uma visão sobre o desempenho: levamos 300 pares de melhor desempenho do banco de dados PTL no período de janeiro de 2013 a janeiro de 2016. Depois, testávamos todos os 300 pares usando o período fora da amostra (janeiro de 2016 a setembro de 2016) e comparamos seu desempenho. Modelos utilizados: Razão (por 14), Residual (20), Kalman Grid v1, Kalman Grid v2 usando o limite de saída de -1 (normal) e 0 (agressivo). Margem 50% (Req-T). Resultados aqui:

Suporte modelo.

no backtester PTL: sim no backtester do portfólio PTL: sim no PTL Trader: desde v1.4.0.

Parâmetros do modelo.

limite de entrada E n para Z-score, o intervalo de valor típico é & lt; 1, 4 & gt; limite de saída E x para Z-score, o valor típico é & lt; -1, 00 & gt ;. valores negativos permitidos (permite sair do outro lado) limiar de redução E d para Z-score, o valor típico é & lt; 0, 1 & gt ;. usado para o modo downtick apenas como uma terceira banda (não usado com freqüência) max Z-score E max (opcional, para filtrar extremos, o valor típico é & gt; 10 se usado) modo de entrada (simples, subida, baixo)

Neutralidade modelo.

Para o modelo de rede Kalman, nós apoiamos dólar neutro (montante em dólares iguais investidos em cada perna) e regimes beta neutros.

Entrando & amp; Sair das posições.

O mesmo que no modelo residual.

Kalman-Auto Model.

Este modelo é muito parecido com o modelo da rede Kalman, é como o irmão mais novo. A principal diferença é que o A. I. deste modelo não está tentando trabalhar com lucro (o que é problema com certo tipo de pares). Em vez disso, justs tenta encontrar o melhor # 948; (covariância de transição) do filtro de Kalman juntamente com o limite de entrada para coincidir com o alvo de uso da margem. Um exemplo: você pode definir este modelo para tentar otimizar tudo para que a estratégia gaste 50% de tempo em posição (então, se você negociou um ano, o modelo gastou apenas meio ano nas posições). Ou você pode dizer que o uso médio do slot (uso de margem) é de 50%. Isso é útil para negociar portfólios inteiros de estratégias baseadas em Kalman-Auto, para que você possa ajustar a diversificação dentro do portfólio corretamente.

Vantagens deste modelo:

O único parâmetro para afinar este modelo é (para além do alvo de uso) V e (covariância de observação do filtro de Kalman), que felizmente não é sensível, o modelo é muito mais rápido para avaliar do que o Kalman-Grid, o A. I simples. deste modelo é robusto e não tão fácil de enganar o limiar de entrada é lado a lado da auto-otimização!

Este é o modelo que você precisa se você não quiser passar horas de otimizar os parâmetros. Você apenas diz para trocar e ficar em posição 60% do tempo e é isso. Por outro lado, não combina os lucros com o Kalman-Grid para pares muito bons (mas, na verdade, ele possui desempenho semelhante ao dividir o lucro com o uso da margem).

Por favor, note que não há um loop de feedback de regulação dentro, a auto-otimização funciona apenas com buffer de toque, segue o ponto atual e é usado para encontrar os melhores parâmetros. Portanto, não espere que você defina o alvo para 80% e no final você obtém 80% de uso do portfólio. A boa faixa de trabalho é & lt; 40, 60 & gt ;.

Exemplo: Visa / Mastercard backtest com destino de uso definido como 60%. Observe que o% de dias no comércio resultou em 64,9%.

Suporte modelo.

no backtester PTL: sim no backtester do portfólio PTL: sim no PTL Trader: desde v1.4.0.

Neutralidade modelo.

Para o modelo de Kalman-Auto, nós apoiamos dólar neutro (montante equivalente em dólares investidos em cada perna) e regimes beta neutros.

Parâmetros do modelo.

Covariância de observação de filtro de Kalman V e, valor típico é 0,001 limiar de utilização de margem desejado em & # 160;%, intervalo permitido & lt; 20, 80 & gt ;, a gama & lt; 40,60 & gt; funciona melhor em termos de quão preciso é o uso da margem correspondente ao alvo.

Entrando & amp; Sair das posições.

O mesmo que no modelo residual, mas:

O limite de entrada é calculado automaticamente pelo limite de saída do modelo é sempre 0 modo de entrada é sempre "simples"

Previsão da estrutura do prazo de taxa de juros: Usando o modelo de Fong & Vasicek, o Extended Kalman Filter e Bollinger Bands.

21 páginas postadas: 12 de março de 2005.

Pierre Rostan.

Audencia - Nantes Ecole de Management.

Raymond Théoret.

Universidade de Quebec em Montreal (UQAM) - Faculdade de Gestão (ESG)

Abdeljalil El Moussadek.

Universidade de Quebec em Montreal (UQAM) - Faculdade de Gestão (ESG)

Neste artigo, consideramos a questão da previsão da estrutura do prazo da taxa de juros e apresentamos uma solução. Nós aplicamos o Filtro Kalman Estendido (EKF) ao modelo Fong & Vasicek para lidar com a questão da computação da volatilidade estocástica escondida. Também apresentamos bandas de Bollinger como uma técnica de redução de variância usada para melhorar a performance de simulação de Monte Carlo. Nossos resultados sugerem que a técnica de previsão usando a abordagem componente não observável (EFK) para obter valores da volatilidade estocástica é superior a outro modelo de volatilidade estocástica, como GARCH (1,1). Além disso, o desempenho é melhorado quando introduzimos bandas de Bollinger.

Palavras-chave: Estrutura de prazo de taxa de juros, Filtro Kalman Estendido, simulação de Monte Carlo, erro quadrado médio da raiz, previsão, volatilidade estocástica, bandas Bollinger, Fong e Vasicek.

Classificação JEL: C15, C63, G13.

Pierre Rostan (Autor do Contato)

Audencia - Nantes Ecole de Management (email)

44312 Nantes Cedex 3, Cedex 3.

Raymond Théoret.

Universidade de Quebec em Montreal (UQAM) - Faculdade de Gestão (ESG) (e-mail)

Case postale 8888.

Montreal, Quebec H3C 3P8.

Abdeljalil El Moussadek.

Universidade de Quebec em Montreal (UQAM) - Faculdade de Gestão (ESG) (e-mail)

Case postale 8888.

Montreal, Quebec H3C 3P8.

Estatísticas de papel.

Links rápidos SSRN.

Rankings SSRN.

Sobre SSRN.

Os cookies são usados ​​por este site. Para recusar ou aprender mais, visite nossa página Cookies. Esta página foi processada pelo apollo2 em 0,204 segundos.