基於協整關係的配對量化交易策略-R語言

基於協整關係的配對交易比之前的基於距離和相關性要更先進一些。收益上確實也體現出來了。

library（tseries）

adf。test（xom）

adf。test（cvx）

model <- lm（xom ~ cvx + 0）

summary（model）

adf。test（as。ts（model$residuals））

bp <- get_symbol_cl（“BP”）

model <- lm（xom ~ bp + 0）

adf。test（as。ts（model$residuals））

plot（cbind（xom，bp * model$coefficients），

col = c（“black”， “red”），

main = “xom & model$coefficients”）

plot（as。xts（model$residuals， index（xom）），

main = “model$residuals”）

plot（signal， main = “交易訊號”）

roll_me <- rollapply（model$residuals，14，mean）

roll_std <- rollapply（model$residuals，14，sd）

n <- 1

roll_ub <- roll_me + n * roll_std

roll_lb <- roll_me - n * roll_std

signal <- NULL

signal <- ifelse（model$residuals>roll_ub，-1，

ifelse（model$residuals

lagsignal <- Lag（signal，1）

signal <- ifelse（lagsignal == -1 & model$residuals > roll_me，-1，

ifelse（lagsignal==1 & model$residuals < roll_me，1，0））

# 計算收益

spread_return <- ret_xom - lag（hedge_ratio） * ret_cvx

cost <- 0

trade_return <- spread_return * lag（signal） - cost

names（trade_return） <- “TradStrat_PT#3”

# 交易效果和績效指標

summary（as。vector（trade_return））

cumm_ret <- Return。cumulative（trade_return）

annual_ret <- Return。annualized（trade_return）

par（mfrow = c（1， 1））

charts。PerformanceSummary（trade_return， main = “交易報告”）

tail（cumm_ret）

maxDrawdown（trade_return）

StdDev（trade_return）

StdDev。annualized（trade_return）

VaR（trade_return）

SharpeRatio（trade_return， Rf = 0， FUN = “StdDev”）

SharpeRatio。annualized（trade_return， Rf = 0）

> # 交易效果和績效指標

> summary（as。vector（trade_return））

Min。 1st Qu。 Median Mean 3rd Qu。 Max。 NA‘s

-0。036732 0。000000 0。000000 0。000192 0。000520 0。031850 15

> cumm_ret <- Return。cumulative（trade_return）

> annual_ret <- Return。annualized（trade_return）

> par（mfrow = c（1， 1））

> charts。PerformanceSummary（trade_return， main = “交易報告”）

>

>

> tail（cumm_ret）

TradStrat_PT#3

Cumulative Return 0。3088741

> maxDrawdown（trade_return）

［1］ 0。1295894

> StdDev（trade_return）

［，1］

StdDev 0。004902459

> StdDev。annualized（trade_return）

TradStrat_PT#3

Annualized Standard Deviation 0。07782412

> VaR（trade_return）

TradStrat_PT#3

VaR -0。006463428

> SharpeRatio（trade_return， Rf = 0， FUN = “StdDev”）

TradStrat_PT#3

StdDev Sharpe （Rf=0%， p=95%）： 0。03917563

> SharpeRatio。annualized（trade_return， Rf = 0）

TradStrat_PT#3

Annualized Sharpe Ratio （Rf=0%） 0。5964265

感謝閱讀，歡迎關注和留言

量化投資與期貨外匯散仙，基金保險水平也拿的出手