No Te Pierdas Ni Una Actualización ! Suscríbete A R - Bloggers Para Recibir E-Mails Con Los Mensajes Más Recientes R ( Usted Será

Trading usando Garch Volatilidad Pronóstico Financier Quantum escribió un Régimen interesante artículo de conmutación del sistema mediante Volatilidad Previsión. El artículo presenta un algoritmo elegante para cambiar entre media-reversión y estrategias de seguimiento de tendencias en función de la volatilidad del mercado. Dos modelos se examinan: uno utilizando la volatilidad histórica y otra mediante el Pronóstico GARCH (1,1) La volatilidad. La estrategia de media-reversión se modela con el RSI (2): Long cuando el RSI (2), y Short contrario. La estrategia de seguimiento de tendencias se modela con SMA 50/200 cruce: Long cuando SMA (50) & gt; SMA (200), y Short lo contrario. Quiero mostrar cómo implementar estas ideas usando la biblioteca backtesting en el sistemática Investor Toolbox. A raíz de las cargas de código de los precios históricos de Yahoo prometido y compara el desempeño del comprar y mantener, Mean-reversión, y las estrategias de seguimiento de tendencias mediante la biblioteca backtesting en la caja de herramientas del Inversor sistemática: A continuación, vamos a crear una estrategia que cambia entre media-reversión y estrategias de seguimiento de tendencias basado en la volatilidad histórica de mercado. A continuación, vamos a crear un GARCH (1,1) Pronóstico volatilidad. Yo recomendaría la lectura siguiente artículos para cualquier persona que quiera encontrar lo GARCH se trata o para actualizar sus conocimientos: GARCH (1,1) por David Harper un muy buen artículo de introducción con un montón de diagramas visuales. Problemas prácticos en univariante GARCH Modelado por Y. Chalabi, D. Wurtz ejemplo paso a paso de GARCH apropiado (1,1) modelo con el código R completa. Introducción básica a GARCH por Financier Quantum es una serie de mensajes que entra en los detalles y las hipótesis de GARCH y EGARCH. Hay unos cuantos paquetes de R para adaptarse a los modelos GARCH. Voy a considerar la función GARCH del paquete URBANA y función garchFit del paquete fGarch. La función GARCH del paquete URBANA es rápido, pero no siempre encuentra la solución. La función garchFit del paquete fGarch es más lento, pero no convergen de manera más consistente. Para demostrar la diferencia de velocidad entre la función GARCH y función garchFit he creado un punto de referencia simple: La función garchFit es en promedio 6 veces más lento que la función GARCH. Así que para predecir la volatilidad voy a tratar de utilizar la función GARCH siempre se puede encontrar una función solución y garchFit lo contrario. Ahora, vamos a crear una estrategia que cambia entre media-reversión y estrategias de seguimiento de tendencias basado en GARCH previsión (1,1) de la volatilidad. La estrategia de conmutación que utiliza GARCH (1,1) Pronóstico volatilidad se comportó ligeramente mejor que el que utiliza la volatilidad histórica. Hay muchos enfoques diferentes que usted puede tomar para incorporar la previsión en sus modelos y estrategias de negociación. R tiene un muy amplio conjunto de paquetes de modelar y predecir series de tiempo. He aquí algunos ejemplos que he encontrado interesante: Para ver el código fuente completo para este ejemplo, por favor, eche un vistazo a la función bt. volatility. garch () en bt. test. r en github.