Tôi sẽ phân tích cách các nhà định lượng tổ chức sử dụng phân tích chuỗi thời gian để tìm lợi thế trong bất kỳ thị trường nào & chia sẻ khung hoàn chỉnh mà bạn có thể triển khai ngay hôm nay.
Hãy bắt đầu ngay.
Đánh dấu trang này - Tôi là Roan, một nhà phát triển backend làm việc về thiết kế hệ thống, thực thi theo phong cách HFT và hệ thống giao dịch định lượng. Công việc của tôi tập trung vào cách thị trường dự đoán hoạt động dưới tải. Đối với bất kỳ đề xuất, cộng tác chu đáo, hợp tác đối tác, hãy mở DM.
Năm 2008, hầu hết các nhà giao dịch nhìn vào chứng khoán đảm bảo bằng thế chấp và thấy một đường đi lên.
Họ thấy một xu hướng. Họ thấy đà tăng. Họ chạy các mô hình chuỗi thời gian của mình. Các mô hình bảo mua. Các mô hình đã sai một cách thảm khốc.
Một nhóm nhỏ các nhà giao dịch nhìn vào cùng một đường và đặt một câu hỏi khác. Không phải đường sẽ đi đâu tiếp theo, mà là điều gì thực sự tạo ra đường đó? Họ đào sâu vào dữ liệu thế chấp bên dưới. Họ tìm thấy các khoản vay có lãi suất điều chỉnh được cấp cho những người không có xác minh thu nhập. Họ tìm thấy tỷ lệ vỡ nợ đang tăng lên một cách thầm lặng trong dữ liệu trước khi biểu đồ giá cho thấy bất cứ điều gì. Họ đã sử dụng thông tin đó, thông tin mà không mô hình chuỗi thời gian nào có thể tự mình nắm bắt được, để xây dựng các vị thế kiếm được hàng tỷ đô la khi thị trường sụp đổ.
Đây là bài học quan trọng nhất trong tất cả phân tích chuỗi thời gian. Đường trên biểu đồ của bạn là hệ quả của một điều gì đó đang xảy ra trong thế giới thực. Một mô hình chuỗi thời gian có thể cho bạn biết đường đó đã làm gì. Nó không thể cho bạn biết điều gì thực sự đang gây ra nó. Và ngay khi thực tế cơ bản thay đổi, mô hình của bạn trở thành một trách nhiệm thay vì một tài sản.
Tôi đã đề cập đến Markov Chains để phát hiện chế độ và Neural Networks để tạo tín hiệu trong các bài viết trước. Phân tích chuỗi thời gian là lớp thiết yếu thứ ba của ngăn xếp giao dịch có hệ thống. Cùng nhau, ba khung này tạo thành một hệ thống giao dịch định lượng hoàn chỉnh.
Đến cuối bài viết này, bạn sẽ hiểu chính xác chuỗi thời gian là gì và thị trường tạo ra chúng như thế nào, tại sao mô hình chuỗi thời gian của bạn luôn sai và tại sao điều đó thực sự ổn, ba nhiệm vụ cơ bản thúc đẩy mọi quyết định giao dịch định lượng, khung triển khai hoàn chỉnh từ dữ liệu thô đến tín hiệu giao dịch trực tiếp, và một sai lầm khiến 90% mô hình chuỗi thời gian thất bại trước khi chúng chạm đến vốn thực.
Lưu ý: Bài viết này cố tình dài. Mỗi phần đều xây dựng dựa trên phần trước. Nếu bạn nghiêm túc về việc xây dựng lợi thế có hệ thống bằng cách sử dụng phân tích chuỗi thời gian, hãy đọc từng chữ một. Nếu bạn đang tìm kiếm một lối tắt, điều này không dành cho bạn.
Phần 1: Chuỗi thời gian thực sự là gì và nó đang giấu bạn điều gì
Chuỗi thời gian là một chuỗi các quan sát được ghi lại đều đặn theo thời gian. Giá đóng cửa hàng ngày của một cổ phiếu. Chỉ số nhiệt độ hàng giờ. Số liệu thất nghiệp hàng tháng. Mỗi cái là một chuỗi các giá trị được lập chỉ mục theo thời gian.
Định nghĩa đó đúng về mặt kỹ thuật và không đầy đủ về mặt thực tế.
Điều quan trọng mà hầu hết mọi người bỏ lỡ là mọi chuỗi thời gian đều được tạo ra bởi một thứ gì đó. Giá cổ phiếu không di chuyển ngẫu nhiên trong chân không. Nó là đầu ra của hàng triệu quyết định được đưa ra bởi các nhà đầu tư, thuật toán, nhà tạo lập thị trường và các lực lượng vĩ mô mà bạn không thể quan sát trực tiếp chỉ từ chuỗi giá. Giá là cái mà các nhà kinh tế gọi là biến hệ quả. Điều thực sự thúc đẩy nó là phân phối dữ liệu tạo ra bên dưới.
Sự khác biệt này cực kỳ quan trọng đối với giao dịch. Khi bạn áp dụng mô hình chuỗi thời gian vào dữ liệu thị trường, bạn đang mô hình hóa đầu ra có thể nhìn thấy của một quy trình vô hình. Miễn là quy trình vô hình vẫn giữ nguyên, mô hình của bạn sẽ nắm bắt được các mẫu hình hữu ích. Ngay khi quy trình cơ bản thay đổi, mô hình của bạn đang âm thầm khớp với một thứ không còn tồn tại nữa.
Hãy nghĩ về nhiệt độ ở Thành phố New York. Nếu là tháng 12 và hiện tại là 20 độ F, ngày mai sẽ là bao nhiêu? Câu trả lời của bạn có lẽ là khoảng 20 độ, hơn kém một chút. Bạn không đưa ra dự đoán chính xác. Bạn đang tạo ra một kỳ vọng dựa trên trạng thái hiện tại và các mẫu hình theo mùa đã biết. Kỳ vọng đó sẽ gần đúng hầu hết thời gian trong điều kiện bình thường.
Bây giờ hãy tưởng tượng một ngọn núi lửa phun trào ở Iceland và đẩy nhiệt độ toàn cầu lên 15 độ trong một tuần. Mô hình của bạn không có thông tin về ngọn núi lửa đó. Dự báo của nó sẽ sai một cách dữ dội. Không phải vì mô hình tồi. Mà vì quy trình tạo dữ liệu cơ bản đã thay đổi theo cách hoàn toàn vô hình trong chỉ riêng chuỗi nhiệt độ.
Đây chính xác là những gì đã xảy ra với chứng khoán thế chấp vào năm 2008. Chuỗi thời gian của giá cho thấy mọi thứ đều ổn. Quy trình cơ bản, khả năng trả nợ thực tế của các khoản vay, đã thay đổi. Thông tin tồn tại. Nó chỉ không có trong chuỗi giá.
Một chuỗi thời gian có thể được phân rã thành ba thành phần:
Xu hướng là chuyển động hướng dài hạn. Quỹ đạo tổng thể mà chuỗi tuân theo trong các khoảng thời gian dài. Tính thời vụ là một mẫu hình lặp lại xảy ra tại các khoảng thời gian cố định. Chu kỳ bán hàng hàng tháng, hiệu ứng thu nhập hàng quý, các mẫu hình theo ngày trong tuần của khối lượng giao dịch. Cú sốc hoặc phần dư là các biến động ngẫu nhiên xung quanh các thành phần xu hướng và thời vụ. Các sự kiện bất ngờ, tin tức, bất ngờ.
Hiểu biết chính về xu hướng và tính thời vụ là chúng chỉ có ý nghĩa nếu chúng ổn định. Nếu bạn đang mô hình hóa giá cổ phiếu trong ngày và xu hướng đảo chiều sau mỗi vài giờ, thành phần xu hướng không cho bạn biết điều gì hữu ích. Tính ổn định là điều kiện tiên quyết để bất kỳ mô hình chuỗi thời gian nào có giá trị dự đoán.
Bài tập về nhà: Lấy bất kỳ tài sản nào bạn hiện đang giao dịch. Viết ra một câu về điều bạn tin là yếu tố chính thúc đẩy biến động giá của nó. Yếu tố đó là thứ bạn nên theo dõi cùng với bất kỳ mô hình chuỗi thời gian nào bạn xây dựng. Nếu yếu tố đó thay đổi, mô hình của bạn cần được xây dựng lại.
Phần 2: Ba nhiệm vụ và tại sao dự báo luôn sai
Mọi ứng dụng của phân tích chuỗi thời gian đều rơi vào một trong ba loại. Hiểu nhiệm vụ bạn thực sự đang thực hiện sẽ giúp bạn tránh được sai lầm phổ biến và đắt giá nhất trong tài chính định lượng.
Lọc ước tính trạng thái hiện tại của hệ thống bằng cách sử dụng dữ liệu quá khứ và hiện tại. Bạn đang cố gắng loại bỏ nhiễu và thấy những gì thực sự đang xảy ra ngay bây giờ. Đường trung bình động là một bộ lọc. Nó không dự đoán tương lai. Nó làm mượt hiện tại. Mọi chỉ báo bạn từng đặt trên biểu đồ trong nền tảng giao dịch đang thực hiện một số hình thức lọc nào đó. Khi bạn sử dụng đường trung bình động 20 ngày, bạn đang nói: Tôi muốn thấy trạng thái cơ bản của tài sản này không có nhiễu hàng ngày. Đó là tất cả những gì bạn đang làm.
Làm mượt sử dụng cả dữ liệu quá khứ và tương lai để ước tính trạng thái tại một thời điểm trước đó. Nó yêu cầu kiến thức đường dẫn toàn cầu, có nghĩa là bạn cần thấy điều gì xảy ra sau một thời điểm để mô tả tốt nhất những gì đang xảy ra tại thời điểm đó. Làm mượt rất hữu ích để phân tích dữ liệu lịch sử và xây dựng các bộ dữ liệu nghiên cứu nhưng không thể được sử dụng cho các quyết định giao dịch thời gian thực vì nó yêu cầu thông tin từ tương lai.
Dự báo sử dụng trạng thái hiện tại và quá khứ để tạo ra kỳ vọng về tương lai. Đây là nơi hầu hết các nhà giao dịch tập trung sự chú ý và là nơi có nhiều hiểu lầm nhất.
Đây là sự thật cơ bản mà hầu hết các khóa đào tạo giao dịch từ chối nói rõ ràng.
Một dự báo không phải là một dự đoán. Nó là một kỳ vọng. Hai thứ này không giống nhau.
Kỳ vọng là con số duy nhất giảm thiểu sai số bình phương trên tất cả các kết quả tương lai có thể. Về mặt toán học, nó là giá trị trung bình có điều kiện:
E[Xₜ₊₁ | X₁, X₂, ..., Xₜ]
Khi bạn tung một con xúc xắc công bằng, kỳ vọng là 3,5. Một con xúc xắc có thể ra 3,5 không? Không. Nhưng 3,5 vẫn là câu trả lời tốt nhất bạn có thể đưa ra trước khi tung. Nó là giá trị giảm thiểu sai số trung bình của bạn trên tất cả các lần tung trong tương lai.
Dự báo thị trường hoạt động theo cách tương tự. Mô hình của bạn tạo ra giá trị kỳ vọng tốt nhất dựa trên thông tin có sẵn. Giá trị kỳ vọng đó về cơ bản sẽ không bao giờ bằng giá thực tế. Nhưng nếu nó đúng trung bình và bạn giao dịch xung quanh nó một cách có hệ thống, bạn có thể tạo ra lợi nhuận nhất quán. Đây chính xác là cách các nhà tạo lập thị trường hoạt động. Họ không cần biết giá sẽ đi đâu. Họ cần biết giá kỳ vọng, báo giá một khoảng chênh lệch xung quanh nó và thu khoảng chênh lệch đó qua hàng nghìn giao dịch.
Bằng chứng cho thấy điều này hoạt động ngay cả khi mô hình sai đến từ một mô phỏng tạo lập thị trường đơn giản. Hãy tưởng tượng báo giá chênh lệch giá mua-giá bán xung quanh giá trị kỳ vọng của một quy trình có kỳ vọng thực sự thay đổi ngẫu nhiên theo thời gian. Đường trung bình động theo dõi kỳ vọng đó một cách không hoàn hảo. Nó luôn hơi sai. Nhưng nếu bạn giao dịch chênh lệch xung quanh ước tính không hoàn hảo đó, bạn vẫn tích lũy lợi nhuận dương theo thời gian vì bạn đúng trung bình.
Đây là cốt lõi của giao dịch có hệ thống sử dụng phân tích chuỗi thời gian. Bạn không cần dự báo hoàn hảo. Bạn cần các dự báo đúng hướng đủ thường xuyên để vượt qua chi phí giao dịch. Và bạn cần một khung nghiêm ngặt để biết khi nào mô hình của bạn không còn gần đúng nữa.
Phần 3: Vấn đề nghiệm đơn vị phá hủy hầu hết các mô hình giao dịch
Đây là phần sẽ giúp bạn tránh được sai lầm phổ biến và đắt giá nhất trong giao dịch định lượng với dữ liệu chuỗi thời gian.
Hầu hết những người cố gắng xây dựng mô hình dự đoán cho giá cổ phiếu đều bắt đầu bằng cách chạy hồi quy giá đóng cửa ngày mai so với giá đóng cửa hôm nay. Khi họ làm điều này, họ nhận được giá trị R-squared trên 0,99. Họ tin rằng họ đã khám phá ra một mối quan hệ dự đoán gần như hoàn hảo.
Họ đã không. Họ đã rơi vào một trong những cái bẫy được ghi chép rõ ràng nhất trong thống kê, được gọi là hồi quy giả mạo.
Đây là những gì thực sự xảy ra. Chạy cùng một hồi quy nhưng thay thế giá đóng cửa bằng lợi nhuận hàng ngày. R-squared giảm xuống còn khoảng 0,01. Bạn đã đi từ giải thích 99 phần trăm biến động đến giải thích 1 phần trăm biến động. Cùng một tài sản cơ bản, cùng một dữ liệu, cùng một cấu trúc mô hình, kết quả hoàn toàn khác nhau.
Lý do là nghiệm đơn vị.
Một chuỗi thời gian có nghiệm đơn vị khi giá trị hiện tại của nó bằng giá trị trước đó của nó cộng với một cú sốc ngẫu nhiên:
Xₜ = Xₜ₋₁ + εₜ
Đây được gọi là bước đi ngẫu nhiên. Giá cổ phiếu xấp xỉ tuân theo quy trình này. Khi bạn hồi quy một bước đi ngẫu nhiên với một bước đi ngẫu nhiên khác, bạn hầu như sẽ luôn tìm thấy mối quan hệ thống kê mạnh mẽ ngay cả khi hai chuỗi hoàn toàn không liên quan. Đây là hồi quy giả mạo và nó là nguồn gốc của vô số tín hiệu giao dịch sai trong ngành.
Kiểm tra cho điều này là Kiểm định Dickey-Fuller mở rộng. Giả thuyết không là chuỗi có nghiệm đơn vị. Giá trị p dưới 0,05 có nghĩa là bạn có thể bác bỏ giả thuyết không và chuỗi có khả năng dừng. Giá trị p trên 0,05 có nghĩa là chuỗi có thể có nghiệm đơn vị và các mô hình hồi quy thô sẽ tạo ra kết quả giả mạo.
Bạn sẽ thấy rằng chuỗi giá không vượt qua kiểm tra và chuỗi lợi nhuận vượt qua nó. Điều này cho bạn biết chính xác nên mô hình hóa cái gì. Không bao giờ xây dựng các mô hình dự đoán trên các mức giá thô. Luôn chuyển đổi thành lợi nhuận, lợi nhuận log, hoặc các đại lượng dẫn xuất dừng khác trước khi áp dụng các mô hình chuỗi thời gian.
Phép biến đổi chuyển đổi chuỗi giá thành chuỗi dừng được gọi là sai phân bậc một:
rₜ = ln(Pₜ) - ln(Pₜ₋₁)
Lợi nhuận log gần như dừng, mặc dù chuỗi lợi nhuận tài chính vẫn thể hiện các sự kiện phong cách hóa như tích tụ biến động và đuôi dày mà tính dừng thuần túy không nắm bắt đầy đủ. Chúng ta sẽ giải quyết những vấn đề này trong phần GARCH bên dưới.
Bài tập về nhà: Lấy bất kỳ mô hình giao dịch nào bạn hiện đang sử dụng hoặc đã sử dụng trong quá khứ. Kiểm tra xem nó được xây dựng trên mức giá hay trên lợi nhuận. Nếu nó được xây dựng trên mức giá, hãy chạy kiểm định Dickey-Fuller trên dữ liệu cơ bản. Nếu giá trị p trên 0,05, kết quả backtest của bạn có khả năng bị thổi phồng bởi tương quan giả mạo.
Phần 4: Các mô hình thực sự hiệu quả và cách sử dụng chúng
Bây giờ bạn đã hiểu chuỗi thời gian là gì, ba nhiệm vụ cơ bản và vấn đề nghiệm đơn vị, bạn đã sẵn sàng xây dựng các mô hình thực sự hiệu quả trong thị trường trực tiếp.
Họ mô hình tạo thành xương sống của giao dịch có hệ thống là họ ARMA và các phần mở rộng của nó. Mỗi mô hình trong họ này nắm bắt một khía cạnh khác nhau của cấu trúc phụ thuộc chuỗi trong chuỗi thời gian tài chính.
AR: Mô hình tự hồi quy
Một mô hình tự hồi quy bậc p, viết là AR(p), nói rằng giá trị hiện tại của một chuỗi là một hàm tuyến tính của p giá trị trước đó của nó cộng với một cú sốc ngẫu nhiên:
Xₜ = φ₁Xₜ₋₁ + φ₂Xₜ₋₂ + ... + φₚXₜ₋ₚ + εₜ
Các hệ số φ là các tham số tự hồi quy. Chúng nắm bắt bao nhiêu giá trị hiện tại được giải thích bởi mỗi độ trễ. Trong giao dịch, mô hình AR rất hữu ích để nắm bắt các động lực đà tăng ngắn hạn và hồi quy trung bình. Một mô hình AR(1) với φ₁ dương nắm bắt đà tăng. Một mô hình AR(1) với φ₁ âm nắm bắt hồi quy trung bình.
MA: Mô hình trung bình động
Một mô hình trung bình động bậc q, viết là MA(q), nói rằng giá trị hiện tại là một hàm tuyến tính của các cú sốc ngẫu nhiên hiện tại và quá khứ:
Xₜ = εₜ + θ₁εₜ₋₁ + θ₂εₜ₋₂ + ... + θqεₜ₋q
Mô hình MA nắm bắt tác động của các bất ngờ trong quá khứ lên giá trị hiện tại. Chúng đặc biệt hữu ích để mô hình hóa cách thị trường phản ứng với các sự kiện tin tức.
ARMA: Kết hợp cả hai
Mô hình ARMA(p,q) kết hợp cả hai thành phần:
Xₜ = φ₁Xₜ₋₁ + ... + φₚXₜ₋ₚ + εₜ + θ₁εₜ₋₁ + ... + θqεₜ₋q
Đối với chuỗi không dừng, bạn áp dụng sai phân trước để làm cho chuỗi dừng và mô hình kết quả được gọi là ARIMA(p,d,q) trong đó d là bậc sai phân.
GARCH: Mô hình hóa biến động
Vấn đề với mô hình ARMA đối với dữ liệu tài chính là chúng giả định biến động không đổi. Lợi nhuận tài chính thể hiện tích tụ biến động: các biến động lớn có xu hướng được theo sau bởi các biến động lớn và các biến động nhỏ có xu hướng được theo sau bởi các biến động nhỏ. Đây là hiệu ứng ARCH và nó là một trong những sự kiện phong cách hóa được ghi chép rõ ràng nhất trong tất cả tài chính.
Mô hình GARCH(1,1) giải quyết vấn đề này bằng cách mô hình hóa phương sai của số hạng sai số như một quy trình thay đổi theo thời gian:
σₜ² = ω + α₁εₜ₋₁² + β₁σₜ₋₁²
Trong đó σₜ² là phương sai có điều kiện tại thời điểm t, εₜ₋₁² là cú sốc bình phương từ giai đoạn trước và σₜ₋₁² là phương sai của giai đoạn trước. Mô hình này nắm bắt chính xác tích tụ biến động mà bạn quan sát thấy trên thị trường: biến động cao hôm nay dự đoán biến động cao vào ngày mai.
Đối với giao dịch, GARCH là cần thiết để xác định kích thước vị thế. Khi σₜ² cao, bạn giảm kích thước vị thế. Khi σₜ² thấp, bạn có thể chấp nhận nhiều rủi ro hơn. Hiểu biết đơn lẻ này, mở rộng kích thước vị thế một cách linh hoạt dựa trên biến động ước tính, chịu trách nhiệm cho một phần đáng kể lợi nhuận được điều chỉnh theo rủi ro do các quỹ có hệ thống tạo ra.
Phần 5: Đường ống triển khai hoàn chỉnh
Phần này tập hợp mọi thứ thành một hệ thống hoạt động mà bạn có thể chạy trên dữ liệu thực ngay hôm nay.
Ba điều quan trọng cần hiểu về triển khai này trước khi bạn triển khai nó.
Đầu tiên: Định cỡ vị thế dựa trên GARCH đang làm nhiều công việc hơn là hướng dự báo ARIMA. Giảm tiếp xúc trong các chế độ biến động cao là lợi thế đáng tin cậy nhất trong toàn bộ hệ thống. Các dự báo hướng với độ chính xác 52 đến 55 phần trăm kết hợp với định cỡ được chia tỷ lệ biến động tạo ra lợi nhuận được điều chỉnh theo rủi ro tốt hơn so với độ chính xác 60 phần trăm với định cỡ cố định.
Thứ hai: Cấu trúc walk-forward là không thể thương lượng. Tại mỗi bước, bạn đang khớp mô hình chỉ trên dữ liệu lịch sử và dự báo một bước phía trước. Không bao giờ khớp trên toàn bộ tập dữ liệu và tạo ra các dự đoán trong mẫu và gọi nó là backtest. Đó không phải là backtest. Đó là một đường cong khớp với một nhãn.
Thứ ba: Dữ liệu thay thế là trần của những gì phân tích chuỗi thời gian có thể đạt được. Khung bạn đã xây dựng ở đây là sàn. Nó nắm bắt các mẫu hình tồn tại trong chuỗi giá. Các nhà giao dịch liên tục vượt trội thêm thông tin mà chuỗi giá không thể chứa. Tâm lý cuộc gọi thu nhập. Sự mất cân bằng dòng lệnh từ sổ lệnh. Tín hiệu thị trường tín dụng. Thông tin chế độ đa tài sản. Đây không phải là các cải tiến cho mô hình. Chúng là các đầu vào từ một tập hợp thông tin khác về cơ bản.
Hạn chế thực tế quan trọng nhất: Tất cả các mô hình họ ARMA đều giả định rằng các tính chất thống kê của chuỗi là gần như ổn định trong cửa sổ ước tính. Trong thị trường tài chính, giả định này bị vi phạm liên tục. Giải pháp tiêu chuẩn là một cửa sổ ước tính trượt gồm 252 ngày giao dịch loại bỏ dữ liệu cũ khi dữ liệu mới đến. Cửa sổ ngắn hơn thích ứng nhanh hơn nhưng tạo ra các ước tính tham số nhiễu hơn. Cửa sổ dài hơn ổn định hơn nhưng chậm thay đổi chế độ. Độ dài cửa sổ tối ưu là một câu hỏi thực nghiệm phải được trả lời riêng cho từng công cụ và từng chiến lược.
Tổng kết
Phân tích chuỗi thời gian không dự đoán tương lai. Điều nó làm là tạo ra kỳ vọng tối ưu về mặt toán học của tương lai dựa trên trạng thái hiện tại và lịch sử quan sát được. Khi kỳ vọng đó đúng hướng đủ thường xuyên và kết hợp với định cỡ vị thế được chia tỷ lệ biến động, nó tạo ra lợi thế nhất quán.
Khung hoàn chỉnh có trong bài viết này. Kiểm tra tính dừng trước khi xây dựng bất kỳ mô hình nào. Sử dụng lợi nhuận, không phải giá, làm đầu vào của bạn. Khớp ARIMA để nắm bắt tín hiệu hướng trong các tự tương quan lợi nhuận. Lớp GARCH lên trên để mô hình hóa biến động thay đổi theo thời gian và mở rộng kích thước vị thế của bạn một cách linh hoạt. Xác thực mọi thứ bằng cách sử dụng cấu trúc walk-forward trượt. Và luôn nhớ rằng các biến động lớn nhất, những biến động tạo ra hoặc phá hủy nhiều vốn nhất, đến từ các thay đổi chế độ mà không mô hình chuỗi thời gian nào có thể thấy trước.
Phần cuối cùng đó không phải là một hạn chế của các mô hình. Nó là một mô tả về thực tế. Các nhà giao dịch đã xây dựng các chiến lược có hệ thống thành công nhất trong lịch sử hiểu chính xác những gì mô hình của họ có thể và không thể làm. Họ sử dụng chuỗi thời gian cho những gì nó thực sự giỏi: trích xuất các mẫu hình ổn định từ các chế độ ổn định. Và họ sử dụng dữ liệu thay thế và phát hiện chế độ để biết khi nào các chế độ đó sắp thay đổi.
Bây giờ bạn đã có cả hai. Khung chuỗi thời gian có trong bài viết này. Khung phát hiện chế độ Markov Chain có trong bài viết trước. Khung tạo tín hiệu mạng nơ-ron có trong bài viết trước đó.
Bạn hiện có một ngăn xếp giao dịch có hệ thống hoàn chỉnh.
Đây là câu hỏi tôi muốn bạn suy ngẫm.
Một mô hình GARCH cho bạn biết rằng biến động sắp tăng đột biến dựa trên các mẫu hình trong chỉ riêng lịch sử lợi nhuận. Một Markov Chain cho bạn biết rằng thị trường sắp chuyển đổi từ chế độ biến động thấp sang chế độ biến động cao dựa trên trạng thái hiện tại. Nếu cả hai tín hiệu đồng ý, sự hội tụ đó là một trong những tín hiệu quản lý rủi ro mạnh nhất hiện có. Nếu chúng không đồng ý, sự phân kỳ đó tự nó là thông tin. Điều gì sẽ khiến chúng không đồng ý và sự không đồng ý đó sẽ cho bạn biết điều gì về điều kiện thị trường hiện tại?
Hãy thả câu trả lời của bạn trong phần bình luận.
Không có câu trả lời sai nhưng có những câu trả lời rất tiết lộ.
