در این مطلب، ویدئو تجارت جفتی پیشرفته در پایتون: بارگذاری بتا، ورود بهینه، و توقف ضرر با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:30:14
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,080 –> 00:00:02,960
سلام به همه و دوباره به
2
00:00:02,960 –> 00:00:05,200
بهترین پلتفرم برای
3
00:00:05,200 –> 00:00:07,359
آموزش از راه دور در اقتصاد مالی کسب و کار
4
00:00:07,359 –> 00:00:09,200
و خیلی چیزهای دیگر خوش آمدید، لطفا
5
00:00:09,200 –> 00:00:10,400
فراموش نکنید که در کانال ما مشترک شوید
6
00:00:10,400 –> 00:00:11,759
و روی دکمه اعلان زنگ
7
00:00:11,759 –> 00:00:13,519
زیر کلیک کنید تا هرگز ویدیوها و آموزش های جدید را از دست ندهید.
8
00:00:13,519 –> 00:00:14,880
9
00:00:14,880 –> 00:00:16,720
از حامیان فعلی ما
10
00:00:16,720 –> 00:00:18,720
و اعضای یوتیوب
11
00:00:18,720 –> 00:00:20,480
برای امکان پذیر ساختن این ویدیو بسیار متشکریم و
12
00:00:20,480 –> 00:00:22,080
همچنین بسیار سپاسگزار خواهیم بود اگر
13
00:00:22,080 –> 00:00:23,600
از ما حمایت می کنید، بنابراین
14
00:00:23,600 –> 00:00:26,320
لطفاً برای جزئیات بیشتر لینک توضیحات را بررسی کنید
15
00:00:26,320 –> 00:00:28,640
نام من saba است و امروز دوباره در حال بازدید
16
00:00:28,640 –> 00:00:31,840
هستیم تجارت الگوریتمی در پایتون
17
00:00:31,840 –> 00:00:33,920
با استفاده از هم انباشتگی و منطق تجارت جفتی،
18
00:00:33,920 –> 00:00:37,920
با این حال امروز ما می خواهیم
19
00:00:37,920 –> 00:00:40,239
کمی پیشرفته تر در مسیر حرکت کنیم
20
00:00:40,239 –> 00:00:42,640
و مفاهیم
21
00:00:42,640 –> 00:00:47,120
مهمی مانند چرخش بتا یا بارگذاری بتا
22
00:00:47,120 –> 00:00:50,640
توقف ضرر و ورود بهینه به
23
00:00:50,640 –> 00:00:51,840
قطار خرسی خود را
24
00:00:51,840 –> 00:00:53,680
و بدون بحث بیشتر بررسی کنیم. اجازه دهید فقط
25
00:00:53,680 –> 00:00:55,840
کد را مرور کنیم و آن را روی یک تست اجرا کنیم تا
26
00:00:55,840 –> 00:00:58,000
ببینیم چقدر خوب عمل می کند و چگونه می
27
00:00:58,000 –> 00:01:00,480
توانید این کد را مطابق میل خود تنظیم کنید تا
28
00:01:00,480 –> 00:01:02,480
تجارت یا تحقیق الگوریتمی خود را تسهیل کنید،
29
00:01:02,480 –> 00:01:03,680
30
00:01:03,680 –> 00:01:06,080
بنابراین برای شروع، ما در حال وارد کردن
31
00:01:06,080 –> 00:01:08,320
شش بسته مورد علاقه خود برای
32
00:01:08,320 –> 00:01:10,799
تجارت الگوریتمی در پایتون هستیم که به ترتیب numpy و
33
00:01:10,799 –> 00:01:12,640
پانداها هستند تا با آرایه ها و
34
00:01:12,640 –> 00:01:15,200
فریم های داده کار کنند، همچنین یاهو
35
00:01:15,200 –> 00:01:17,520
مالی است که بسته y finance
36
00:01:17,520 –> 00:01:20,080
که به شما امکان می دهد از api yahoo finance
37
00:01:20,080 –> 00:01:22,080
برای دانلود داده ها مستقیماً در پایتون خود استفاده کنید،
38
00:01:22,080 –> 00:01:23,280
39
00:01:23,280 –> 00:01:25,680
سپس ما به api مدل های آماری نیاز داریم و
40
00:01:25,680 –> 00:01:27,439
آن را به صورت sm وارد می
41
00:01:27,439 –> 00:01:29,600
42
00:01:29,600 –> 00:01:31,280
43
00:01:31,280 –> 00:01:32,240
44
00:01:32,240 –> 00:01:35,680
کنیم. scipy optimize برای
45
00:01:35,680 –> 00:01:37,759
ابزار بهینه سازی عددی
46
00:01:37,759 –> 00:01:40,079
که در این بسته تعبیه شده است، به طوری که ما بتوانیم
47
00:01:40,079 –> 00:01:42,399
ادغام مشترک بین
48
00:01:42,399 –> 00:01:45,280
دو سهام در جفت خود را بهینه کنیم و برای
49
00:01:45,280 –> 00:01:47,360
تجسم نتیجه برای رسم نمودارهای زیبا،
50
00:01:47,360 –> 00:01:49,439
به خط لوله قابل انعطاف نیاز داریم و
51
00:01:49,439 –> 00:01:52,880
برای اختصار به عنوان plt وارد کردیم. اکنون
52
00:01:52,880 –> 00:01:54,560
بسته ها را وارد کنید، اینجا کلیک کنید و اجرا
53
00:01:54,560 –> 00:01:56,719
کنید و در بخش عمده
54
00:01:56,719 –> 00:02:00,000
کد ما حرکت کنید، بنابراین در اینجا ما یک استراتژی تجارت جفت را شبیه سازی خواهیم کرد.
55
00:02:00,000 –> 00:02:02,719
جی در یک
56
00:02:02,719 –> 00:02:06,079
جفت سهام بسیار معروف آمریکا که axon mobile
57
00:02:06,079 –> 00:02:08,080
و chevron هر دو از صنعت انرژی
58
00:02:08,080 –> 00:02:11,120
هر دو شرکت بزرگ نفتی هستند و
59
00:02:11,120 –> 00:02:13,440
ما قصد داریم تجارت را برای دو
60
00:02:13,440 –> 00:02:16,720
سال از پایان سپتامبر 2019 تا
61
00:02:16,720 –> 00:02:19,200
پایان سپتامبر 2021 شبیه سازی کنیم و
62
00:02:19,200 –> 00:02:20,800
برخی از آنها را پوشش می دهیم. دورههای نوسانات بسیار بالای بازار
63
00:02:20,800 –> 00:02:24,160
مانند مارس 2020 و
64
00:02:24,160 –> 00:02:26,400
وضعیت آشفته کنونی با توجه
65
00:02:26,400 –> 00:02:29,840
به قیمت گاز عرضه انرژی و غیره
66
00:02:29,840 –> 00:02:31,760
67
00:02:31,760 –> 00:02:34,080
68
00:02:34,080 –> 00:02:36,319
69
00:02:36,319 –> 00:02:38,640
انتظار داشته باشید که یک استراتژی معاملاتی جفتی
70
00:02:38,640 –> 00:02:41,040
در طول دو سال انجام شود و به عنوان یک
71
00:02:41,040 –> 00:02:44,239
چرخش ساده، اکنون ما از
72
00:02:44,239 –> 00:02:46,800
پنجرههای رولینگ با طول بسیار کمی
73
00:02:46,800 –> 00:02:48,640
نسبت به آموزش قبلی که در
74
00:02:48,640 –> 00:02:49,760
آن از
75
00:02:49,760 –> 00:02:50,959
76
00:02:50,959 –> 00:02:53,360
پنجرههای نورد یک ساله 252
77
00:02:53,360 –> 00:02:56,000
روز معاملاتی استفاده کردیم، خواهیم گذشت. از یک
78
00:02:56,000 –> 00:02:59,200
تست ثابت متفاوت استفاده میکند، نه
79
00:02:59,200 –> 00:03:01,920
پیشفرض معمول دکا کاملتر یا افزایشیافتهتان
80
00:03:01,920 –> 00:03:04,640
برای تعیین اینکه آیا ظاهرا
81
00:03:04,640 –> 00:03:07,040
واقعاً به آن امتیاز میدهد که آیا ترکیبی
82
00:03:07,040 –> 00:03:09,280
از دو قیمت سهام در تعادل damic
83
00:03:09,280 –> 00:03:11,519
واقعاً همگرا می شود، ما
84
00:03:11,519 –> 00:03:14,000
از آزمون kpss استفاده می کنیم، یک
85
00:03:14,000 –> 00:03:16,080
ویدیوی جداگانه در مورد آزمون kpss در واقع
86
00:03:16,080 –> 00:03:17,680
در کانال ما موجود است، بنابراین اگر
87
00:03:17,680 –> 00:03:18,480
88
00:03:18,480 –> 00:03:20,720
به مفهوم تست های kpss و نحوه
89
00:03:20,720 –> 00:03:23,360
انجام اکسل علاقه مند هستید، لطفاً این را بررسی کنید.
90
00:03:23,360 –> 00:03:26,319
اما در اینجا از تست kpss در
91
00:03:26,319 –> 00:03:29,200
پایتون استفاده می کنیم و از
92
00:03:29,200 –> 00:03:31,760
بسته بهینه سازی scipy برای
93
00:03:31,760 –> 00:03:34,159
دستیابی به بهترین یکپارچگی ممکن
94
00:03:34,159 –> 00:03:35,680
در یک روز خاص برای یک
95
00:03:35,680 –> 00:03:37,599
جفت سهام خاص استفاده می کنیم و در اینجا باید
96
00:03:37,599 –> 00:03:40,720
مشخص کنیم که حداکثر آمار kpss چقدر است.
97
00:03:40,720 –> 00:03:42,159
که ما
98
00:03:42,159 –> 00:03:44,159
همچنان یک جفت را در نظر می گیریم که باید با آن ادغام شود
99
00:03:44,159 –> 00:03:44,879
100
00:03:44,879 –> 00:03:47,200
و در اینجا کمی
101
00:03:47,200 –> 00:03:50,000
محافظه کارانه عقب هستیم و
102
00:03:50,000 –> 00:03:53,159
مقدار بحرانی 99 را انتخاب نمی کنیم که
103
00:03:53,159 –> 00:03:56,640
0.76 باشد، بلکه مقدار بحرانی 95 را انتخاب می کنیم که
104
00:03:56,640 –> 00:03:59,519
حساس تر است و
105
00:03:59,519 –> 00:04:02,400
کمتر به یک متکی است. جفت در حال ادغام
106
00:04:02,400 –> 00:04:05,280
ما به شواهد بیشتری نیاز داریم تا مطمئن شویم
107
00:04:05,280 –> 00:04:07,120
که ترکیب
108
00:04:07,120 –> 00:04:09,360
این قیمتهای سهام واقعا ثابت است و به همین دلیل است که ما
109
00:04:09,360 –> 00:04:11,519
حداکثر مقدار آمار kpss را انتخاب
110
00:04:11,519 –> 00:04:13,920
میکنیم
111
00:04:13,920 –> 00:04:16,160
کمتر از آن عالی است اوه برابر با
112
00:04:16,160 –> 00:04:19,120
0.46 کاملاً بالاتر از این است که
113
00:04:19,120 –> 00:04:20,478
ما علاقه ای به تجارت در آبگرم
114
00:04:20,478 –> 00:04:22,560
نداریم، به اندازه کافی به آن امتیاز نمی دهیم، بنابراین
115
00:04:22,560 –> 00:04:25,280
این اولین پارامتری است که
116
00:04:25,280 –> 00:04:27,919
ما در کد خود وارد می کنیم و شما می توانید آن را تغییر دهید.
117
00:04:27,919 –> 00:04:29,440
118
00:04:29,440 –> 00:04:30,960
اگر این
119
00:04:30,960 –> 00:04:33,280
پارامتر را بیشتر کاهش دهید یا
120
00:04:33,280 –> 00:04:35,440
اگر این پارامتر را افزایش دهید، استراتژی شما محافظه کارانه تر می شود، در صورت افزایش این
121
00:04:35,440 –> 00:04:36,800
پارامتر،
122
00:04:36,800 –> 00:04:39,440
باید مشخص کنیم که کدام رویه
123
00:04:39,440 –> 00:04:41,360
برای
124
00:04:41,360 –> 00:04:44,639
بهینه سازی آماری kbss از
125
00:04:44,639 –> 00:04:47,759
الگوریتم بی طرفانه استفاده می کنیم که در آن یک
126
00:04:47,759 –> 00:04:51,759
پارامتر و تنظیمات Uh را تغییر می دهیم. میانگین
127
00:04:51,759 –> 00:04:53,440
خطای پیشبینی uh صفر است، به همین دلیل است که به
128
00:04:53,440 –> 00:04:54,960
آن
129
00:04:54,960 –> 00:04:58,080
الگوریتم بیطرف یا بدون سوگیری میگویند که در آن میتوانیم
130
00:04:58,080 –> 00:05:00,080
هر دو پارامتر را هم وقفه
131
00:05:00,080 –> 00:05:03,440
و هم شیب را تغییر دهیم و این منجر به
132
00:05:03,440 –> 00:05:05,840
پیشبینی در پنجره 21
133
00:05:05,840 –> 00:05:08,639
روزه ما میشود که هر چند میتوانیم بایاس شود.
134
00:05:08,639 –> 00:05:10,400
به طور بالقوه دقت بیشتری را با آن به دست آوریم،
135
00:05:10,400 –> 00:05:12,639
با این حال،
136
00:05:12,639 –> 00:05:13,520
کد را
137
00:05:13,520 –> 00:05:15,759
کمتر کارآمد می کند، باعث می شود کد
138
00:05:15,759 –> 00:05:17,759
برای مدت طولانی تری اجرا شود و ما هر دو گزینه را در نظر خواهیم گرفت.
139
00:05:17,759 –> 00:05:20,240
یونها و ببینید که چگونه
140
00:05:20,240 –> 00:05:23,039
توابع بهینهسازی را در هر دو مورد تعریف
141
00:05:23,039 –> 00:05:25,759
میکنیم، سپس باید مشخص کنیم که آیا
142
00:05:25,759 –> 00:05:28,000
میخواهیم چرخش بتا انجام دهیم یا
143
00:05:28,000 –> 00:05:30,479
بارگذاری بتا که وزن این سهام را
144
00:05:30,479 –> 00:05:33,199
در جفت ما متناسب با بتای معکوس آنها انجام میدهد
145
00:05:33,199 –> 00:05:36,240
تا به بیطرفی بازار بالاتری دست یابیم،
146
00:05:36,240 –> 00:05:39,680
اما در اینجا اوه. یک استراتژی
147
00:05:39,680 –> 00:05:41,680
با چرخش بتا به
148
00:05:41,680 –> 00:05:44,160
فرضیات حساستر خواهد بود، زیرا شما
149
00:05:44,160 –> 00:05:45,199
150
00:05:45,199 –> 00:05:49,120
بر تخمین صحیح و دقیق آن
151
00:05:49,120 –> 00:05:50,880
بتای بازده سهام تکیه میکنید،
152
00:05:50,880 –> 00:05:53,919
اما برخی از پزشکان میگویند که
153
00:05:53,919 –> 00:05:56,479
چرخش بتا یک مفهوم حیاتی است و یک
154
00:05:56,479 –> 00:05:58,639
بلوک ساختمانی بسیار مهم برای یک
155
00:05:58,639 –> 00:06:00,800
استراتژی معاملاتی موفق است.
156
00:06:00,800 –> 00:06:03,919
ببینیم آیا این واقعاً تفاوتی ایجاد میکند یا خیر
157
00:06:03,919 –> 00:06:05,600
و
158
00:06:05,600 –> 00:06:07,360
ما استراتژی را با و بدون
159
00:06:07,360 –> 00:06:09,600
بارگذاری بتا چرخش بتا در نظر
160
00:06:09,600 –> 00:06:11,759
میگیریم، سپس ابتدا باید برخی از پارامترهای استراتژی عمومی را مشخص
161
00:06:11,759 –> 00:06:13,360
162
00:06:13,360 –> 00:06:15,280
کنیم که کارمزد معاملاتی
163
00:06:15,280 –> 00:06:17,520
ما است که میتوانیم به آن نگاه کنیم.
164
00:06:17,520 –> 00:06:19,680
بازده ناخالص ما و بازده خالص ما برای
165
00:06:19,680 –> 00:06:21,360
استحکام بیشتر، اگر سطح سخاوتمندانه
166
00:06:21,360 –> 00:06:24,400
کمی از کارمزدهای معاملاتی را در نظر بگیریم، استراتژی عملکرد خوبی دارد.
167
00:06:24,400 –> 00:06:27,600
168
00:06:27,600 –> 00:06:30,080
قبل از اینکه با کارمزد معاملاتی یک
169
00:06:30,080 –> 00:06:33,280
نقطه پایه شروع کنیم، اگر با کارمزدهای معاملاتی بالاتری مواجه شدید
170
00:06:33,280 –> 00:06:34,880
که به احتمال زیاد
171
00:06:34,880 –> 00:06:36,639
اگر یک معامله گر فردی هستید، می توانید
172
00:06:36,639 –> 00:06:38,319
این پارامتر را تغییر دهید و ببینید که چگونه نتایج
173
00:06:38,319 –> 00:06:39,440
تغییر می کند،
174
00:06:39,440 –> 00:06:42,639
سپس باید برای ورود بهینه و مقداری نیز کدنویسی کنیم.
175
00:06:42,639 –> 00:06:45,440
176
00:06:45,440 –> 00:06:47,919
ویژگیهای مدیریت ریسک ورودی بهینه استراتژی ما
177
00:06:47,919 –> 00:06:50,240
صرفاً پارامتری است که
178
00:06:50,240 –> 00:06:53,120
تعیین میکند چه زمانی جفت را وارد کنیم، چه زمانی
179
00:06:53,120 –> 00:06:55,520
فرصتهای سود را در نظر بگیریم
180
00:06:55,520 –> 00:06:57,840
، یعنی اختلاف واگرایی
181
00:06:57,840 –> 00:07:00,000
تعادل دینامیکی که
182
00:07:00,000 –> 00:07:02,880
با استفاده از آزمون kpss و همانباشتگی شناسایی کردهایم وقتی
183
00:07:02,880 –> 00:07:05,280
این واگرایی را در نظر میگیریم. به
184
00:07:05,280 –> 00:07:07,759
اندازه کافی بالا باشد که بتوانیم از آن سود ببریم و در اینجا
185
00:07:07,759 –> 00:07:10,160
پارامتر ورودی بهینه دو
186
00:07:10,160 –> 00:07:13,199
درصد است، بنابراین ما فقط یک جفت را وارد می کنیم که
187
00:07:13,199 –> 00:07:15,680
هسته یکپارچه باشد و اگر دو درصد
188
00:07:15,680 –> 00:07:17,520
یا بیشتر از تعادل پویا فاصله داشته باشد،
189
00:07:17,520 –> 00:07:20,000
به این معنی که از یک معامله
190
00:07:20,000 –> 00:07:22,319
ما انتظار داریم که حداقل دو
191
00:07:22,319 –> 00:07:24,639
درصد به دست آورید و در اینجا مجدداً می توانید
192
00:07:24,639 –> 00:07:26,560
193
00:07:26,560 –> 00:07:28,720
با تغییر این
194
00:07:28,720 –> 00:07:31,440
پارامتر هر چه کمتر، استراتژی خود را محدودتر یا کمتر محدود کنید. این است که بیشتر اوقات
195
00:07:31,440 –> 00:07:34,000
وارد پوزیشنها میشوید و گاهی اوقات میتواند
196
00:07:34,000 –> 00:07:36,960
منجر به معاملات مکرر، بنابراین
197
00:07:36,960 –> 00:07:39,360
کارمزدهای بالاتر شود، اما همچنین
198
00:07:39,360 –> 00:07:42,319
فرصتهای سود کمتری را از دست ندهید و
199
00:07:42,319 –> 00:07:44,800
اگر آن را بیش از حد افزایش دهید، ممکن
200
00:07:44,800 –> 00:07:47,360
است استراتژی شما معامله نشود.
201
00:07:47,360 –> 00:07:50,560
اصلاً و به شما بگویم که در کل دوره به صورت نقدی بنشینید
202
00:07:50,560 –> 00:07:52,319
که
203
00:07:52,319 –> 00:07:55,039
شاید کاملاً مطلوب نباشد،
204
00:07:55,039 –> 00:07:58,080
همچنین برای اهداف مدیریت ریسک،
205
00:07:58,080 –> 00:08:00,319
ما ضررهای توقف را در نظر می گیریم و در اینجا
206
00:08:00,319 –> 00:08:02,560
فقط بازده فعلی را که
207
00:08:02,560 –> 00:08:05,199
از آخرین باری که وارد
208
00:08:05,199 –> 00:08:08,960
یک موقعیت شده ایم، پیگیری می کنیم و اگر کمتر
209
00:08:08,960 –> 00:08:11,039
از آستانه ضرر ما بود
210
00:08:11,039 –> 00:08:12,720
، جفت را رها میکردیم،
211
00:08:12,720 –> 00:08:15,120
معامله خود را میبندیم و گزینههای خود را تجدید نظر میکردیم
212
00:08:15,120 –> 00:08:17,520
و در اینجا من یک توقف
213
00:08:17,520 –> 00:08:19,919
ضرر منفی پنج درصد را انتخاب کردم که
214
00:08:19,919 –> 00:08:22,720
باز هم یک مقدار کاملاً معقول
215
00:08:22,720 –> 00:08:25,440
است. ریسک گریز کمتری داشته باشید و
216
00:08:25,440 –> 00:08:27,759
برای مثال یک توقف ضرر بالاتر مانند 10 انتخاب کنید یا
217
00:08:27,759 –> 00:08:30,240
حتی می توانید ریسک گریزتر باشید و
218
00:08:30,240 –> 00:08:31,759
حد ضرر خود را از نظر
219
00:08:31,759 –> 00:08:33,919
بزرگی کاهش دهید، مثلاً سه درصد یا حتی
220
00:08:33,919 –> 00:08:36,159
دو درصد اما این بدان معناست که
221
00:08:36,159 –> 00:08:38,080
شما معاملات بالقوه سودآور
222
00:08:38,080 –> 00:08:41,440
را خیلی بیشتر رها می کنید
223
00:08:41,440 –> 00:08:42,320
و
224
00:08:42,320 –> 00:08:44,800
از نظر خروج بهینه از
225
00:08:44,800 –> 00:08:47,519
جفت خود، ما در واقع این را
226
00:08:47,519 –> 00:08:50,560
در منطق معاملات جفتی تعبیه کرده ایم، زیرا به طور پیش فرض
227
00:08:50,560 –> 00:08:52,240
ما از جفت خارج می شویم و
228
00:08:52,240 –> 00:08:54,240
هنگامی که
229
00:08:54,240 –> 00:08:56,560
تعادل پویا بازیابی شد، دوباره شروع به بررسی گزینه های خود کنیم، بنابراین
230
00:08:56,560 –> 00:08:58,560
نیازی به کد
231
00:08:58,560 –> 00:09:00,800
خروجی بهینه مانند دستور برداشت سود
232
00:09:00,800 –> 00:09:03,440
نداریم، برای مثال، فقط زمانی می توانیم از یک
233
00:09:03,440 –> 00:09:05,519
جفت خارج شویم قبل از اینکه به تعادل پویا برگردد،
234
00:09:05,519 –> 00:09:08,560
تنها زمانی که
235
00:09:08,560 –> 00:09:10,320
ضررهای ما بالا بوده است و ما ممکن است
236
00:09:10,320 –> 00:09:12,720
مشکوک باشیم که تعادل شکسته است
237
00:09:12,720 –> 00:09:14,959
، بنابراین توقف ضرر وجود دارد، اما
238
00:09:14,959 –> 00:09:17,360
سود بردن به نوعی به طور ضمنی در استراتژی گنجانده شده است
239
00:09:17,360 –> 00:09:18,959
،
240
00:09:18,959 –> 00:09:21,040
سپس باید مشخص کنیم که از کجا
241
00:09:21,040 –> 00:09:23,360
شروع می کنیم، ابتدا در یک موقعیت حافظه پنهان شروع می
242
00:09:23,360 –> 00:09:25,519
کنیم، بنابراین در موقعیتی نباشیم.
243
00:09:25,519 –> 00:09:27,440
شروع شبیه سازی، بنابراین سیگنال اولیه ما
244
00:09:27,440 –> 00:09:29,200
صفر است، به این معنی که ما
245
00:09:29,200 –> 00:09:31,519
نقدی هستیم، سیگنال صفر به این معنی است که شما نقدی هستید،
246
00:09:31,519 –> 00:09:33,920
سیگنال یک به این معنی است که شما
247
00:09:33,920 –> 00:09:36,640
یک سهام را طولانی می کنید و دیگری را کوتاه می کنید. er و minus
248
00:09:36,640 –> 00:09:38,959
one به معنی معکوس است، بنابراین شما
249
00:09:38,959 –> 00:09:40,560
سهام دوم را طولانی کنید و اولین سهام را کوتاه کنید
250
00:09:40,560 –> 00:09:41,680
251
00:09:41,680 –> 00:09:44,959
سپس بازده فعلی متغیری است که
252
00:09:44,959 –> 00:09:46,480
به ما امکان می
253
00:09:46,480 –> 00:09:49,360
دهد ضررهای توقف را انجام دهیم که بازده فعلی ما
254
00:09:49,360 –> 00:09:51,920
را در موقعیت ردیابی می کند، پس از اینکه
255
00:09:51,920 –> 00:09:54,560
وارد جدیدترین معامله خود شدیم،
256
00:09:54,560 –> 00:09:56,000
آخرین معامله
257
00:09:56,000 –> 00:09:58,800
و از آنجایی که ممکن است سیگنال چرخش بتا را انجام دهیم
258
00:09:58,800 –> 00:10:00,560
برای محاسبه
259
00:10:00,560 –> 00:10:02,720
بازدهها و
260
00:10:02,720 –> 00:10:04,959
وزنهای ما در آن سهام کافی نیست،
261
00:10:04,959 –> 00:10:08,240
در واقع مطابق
262
00:10:08,240 –> 00:10:11,200
با رقیب سهام دیگر منتظر آنها خواهیم بود و این
263
00:10:11,200 –> 00:10:14,079
به طور بالقوه ریسک بازار را
264
00:10:14,079 –> 00:10:16,480
در معرض بیشتر کاهش میدهد. اگر
265
00:10:16,480 –> 00:10:18,480
شما فقط وزن ها را به ترتیب
266
00:10:18,480 –> 00:10:20,240
برابر با یک و منهای یک Uh
267
00:10:20,240 –> 00:10:22,720
انتخاب کنید، بنابراین در اینجا این موقعیت
268
00:10:22,720 –> 00:10:24,480
ها بتا را منعکس می کنند اگر ما
269
00:10:24,480 –> 00:10:26,399
مشخص می کردیم که بارگذاری بتا برابر با
270
00:10:26,399 –> 00:10:28,000
یک است،
271
00:10:28,000 –> 00:10:30,079
من قبلاً
272
00:10:30,079 –> 00:10:32,959
نمونه خود را برای انجام بتا لمس کرده ام. چرخش و مقایسه
273
00:10:32,959 –> 00:10:35,120
عملکرد ما با شاخص بازار
274
00:10:35,120 –> 00:10:37,839
275
00:10:37,839 –> 00:10:40,640
276
00:10:40,640 –> 00:10:43,600
در
277
00:10:43,600 –> 00:10:46,399
ساختمان رابط، مجموعهای از
278
00:10:46,399 –> 00:10:48,079
آرایهها و فریمهای داده را مقداردهی اولیه میکنیم که به ما کمک میکنند
279
00:10:48,079 –> 00:10:50,959
تا نتایج را
280
00:10:50,959 –> 00:10:53,440
در طول دوره نمونه خود پیگیری کنیم و برای بررسی میزان خوب بودن استراتژی
281
00:10:53,440 –> 00:10:55,200
به ناحیهای از بازده ناخالص، خطای بازده خالص
282
00:10:55,200 –> 00:10:58,079
و بازده بازار نیاز داریم.
283
00:10:58,079 –> 00:11:00,480
خوب است،
284
00:11:00,480 –> 00:11:02,240
ما همچنین باید سیگنالهای خود را ردیابی کنیم،
285
00:11:02,240 –> 00:11:04,000
بنابراین وقتی در موقعیت هستیم، وقتی
286
00:11:04,000 –> 00:11:06,000
شما خارج از موقعیت هستید، دقیقاً چه
287
00:11:06,000 –> 00:11:08,959
زمانی هستیم که شما کوتاه میشوید و فقط برای
288
00:11:08,959 –> 00:11:10,720
پیگیری میزان ادغام این جفت.
289
00:11:10,720 –> 00:11:13,519
همچنین آمار kpss را
290
00:11:13,519 –> 00:11:16,640
در سراسر نمونه پیگیری کنید
291
00:11:16,640 –> 00:11:18,560
و اکنون ما آماده ایم که
292
00:11:18,560 –> 00:11:20,399
می توانیم داده های خود را برای کل دوره دانلود کنیم
293
00:11:20,399 –> 00:11:22,560
و در اینجا دستور ساده یاهو
294
00:11:22,560 –> 00:11:25,120
فاینانس دانلود وجود دارد و همچنین
295
00:11:25,120 –> 00:11:26,959
باید
296
00:11:26,959 –> 00:11:29,200
مقادیر قیمت را برای شاخصی که می توانیم دانلود کنیم.
297
00:11:29,200 –> 00:11:31,040
بعداً برای محاسبه بازده استفاده
298
00:11:31,040 –> 00:11:33,920
299
00:11:33,920 –> 00:11:35,920
300
00:11:35,920 –> 00:11:38,720
301
00:11:38,720 –> 00:11:41,839
کنید.
302
00:11:41,839 –> 00:11:44,800
303
00:11:44,800 –> 00:11:47,120
اولین آمار kpss خود را بر روی
304
00:11:47,120 –> 00:11:49,360
پنجره سلطنتی 21 تخمین بزنید، به همین دلیل است که ما از
305
00:11:49,360 –> 00:11:52,240
پنجره روز شروع می کنیم و
306
00:11:52,240 –> 00:11:54,560
در طول دوره تا
307
00:11:54,560 –> 00:11:56,639
روز ماقبل آخر حذف می کنیم که چرا روز ماقبل آخر نه
308
00:11:56,639 –> 00:11:58,720
روز آخر به خوبی به این دلیل است
309
00:11:58,720 –> 00:12:01,200
که نمی توانیم بدانیم بازگشت در روز آخر چقدر است.
310
00:12:01,200 –> 00:12:02,639
از آنجایی که ما نزدیک شدن به مرگ را نمی دانیم،
311
00:12:02,639 –> 00:12:05,600
بنابراین آخرین روزی که می
312
00:12:05,600 –> 00:12:08,240
توانیم بازگشت خود را طبق استراتژی بدانیم،
313
00:12:08,240 –> 00:12:09,920
روز دوم تا آخرین روز است، بنابراین روز ماقبل آخر است
314
00:12:09,920 –> 00:12:13,519
، به همین دلیل است که داده های جاده زمینی منهای یک،
315
00:12:13,519 –> 00:12:15,120
سپس ما فقط
316
00:12:15,120 –> 00:12:18,560
کمی مسواک زدن تا اوه انجام می دهیم. بتوانیم
317
00:12:18,560 –> 00:12:21,200
موقعیت فعلی خود را با موقعیت های
318
00:12:21,200 –> 00:12:24,000
گذشته خود مقایسه کنیم تا کارمزدها را محاسبه کنیم و به
319
00:12:24,000 –> 00:12:25,839
منطق کد کمک
320
00:12:25,839 –> 00:12:27,040
321
00:12:27,040 –> 00:12:29,600
کنیم تا سیگنال قدیمی ما با سیگنال قبلی
322
00:12:29,600 –> 00:12:32,160
و موقعیت های دیگر برابر باشد،
323
00:12:32,160 –> 00:12:34,399
سپس در زیر نمونه خود حرکت می کنیم،
324
00:12:34,399 –> 00:12:36,079
بنابراین آن را قطع می کنیم.
325
00:12:36,079 –> 00:12:39,200
چارچوب داده های ما برای محاسبه
326
00:12:39,200 –> 00:12:42,480
پنجره چرخشی 21 روزه ای که مشخص کرده ایم
327
00:12:42,480 –> 00:12:45,440
و سپس طبق معمول شروع به اجرای
328
00:12:45,440 –> 00:12:47,360
تست co integration خود می کنیم و در اینجا یک
329
00:12:47,360 –> 00:12:49,920
تست kpss است بر خلاف نسخه قبلی
330
00:12:49,920 –> 00:12:52,720
کد که در آن وجود داشت. یک آزمون dq کاملتر بود
331
00:12:52,720 –> 00:12:55,279
و ما از این منطق ساده استفاده می کنیم این
332
00:12:55,279 –> 00:12:57,440
رابطه تعادل پویا بین
333
00:12:57,440 –> 00:12:59,760
دو قیمت سهام، یک رابطه بلندمدت است
334
00:12:59,760 –> 00:13:02,160
که به دنبال آن هستیم و
335
00:13:02,160 –> 00:13:03,680
سپس در استراتژی آربیتراژ آماری خود از آن بهره برداری می کنیم،
336
00:13:03,680 –> 00:13:06,880
بنابراین فرض می کنیم که
337
00:13:06,880 –> 00:13:09,360
قیمت سهام دو برابر است.
338
00:13:09,360 –> 00:13:12,000
ثابت برخی از a به اضافه مقداری
339
00:13:12,000 –> 00:13:15,600
شیب b ضربدر قیمت سهام 1 را قطع می کنند
340
00:13:15,600 –> 00:13:17,760
و ما فقط یک رگرسیون ساده یا کمتر را
341
00:13:17,760 –> 00:13:20,880
برای بدست آوردن مقادیر اولیه
342
00:13:20,880 –> 00:13:23,760
پارامترهای a و b خود اجرا می کنیم که این است که
343
00:13:23,760 –> 00:13:27,279
بفهمیم این پارامترها در کجا می توانند قرار
344
00:13:27,279 –> 00:13:29,440
بگیرند که اندازه آنها چقدر است. به طور بالقوه
345
00:13:29,440 –> 00:13:30,240
برای
346
00:13:30,240 –> 00:13:33,279
فعال کردن همگرایی سریعتر کد خود به طوری
347
00:13:33,279 –> 00:13:35,279
که به عنوان مثال در حداکثر محلی گیر نکنیم
348
00:13:35,279 –> 00:13:37,360
349
00:13:37,360 –> 00:13:40,560
یا اینکه کد ما به طور قابل توجهی طولانی تر اجرا شود،
350
00:13:40,560 –> 00:13:43,120
بنابراین این یک نقطه شروع مناسب است
351
00:13:43,120 –> 00:13:45,360
که از آن می توانیم
352
00:13:45,360 –> 00:13:47,920
با استفاده از سایت با بهینه سازی به یک مقدار بهینه همگرا شویم، بنابراین
353
00:13:47,920 –> 00:13:51,040
یک مقدار را مشخص می کنیم. رگرسیون خطی با
354
00:13:51,040 –> 00:13:54,560
دو آرایه قیمت سهام به ترتیب به عنوان
355
00:13:54,560 –> 00:13:56,160
متغیر وابسته و مستقل
356
00:13:56,160 –> 00:13:58,959
و یک ثابت به متغیر مستقل خود اضافه
357
00:13:58,959 –> 00:14:01,279
می کنیم تا بتوانیم یک
358
00:14:01,279 –> 00:14:04,079
پارامتر رهگیری خود را محاسبه می کنیم سپس
359
00:14:04,079 –> 00:14:07,040
رگرسیون را برازش می کنیم و
360
00:14:07,040 –> 00:14:09,519
مقادیر اولیه پارامترهای
361
00:14:09,519 –> 00:14:10,959
رابطه تعادل پویا را
362
00:14:10,959 –> 00:14:13,680
از پارامترهای
363
00:14:13,680 –> 00:14:15,360
رگرسیون تخمین زده بازیابی می کنیم
364
00:14:15,360 –> 00:14:18,160
و بسته به اینکه آیا به دنبال آن هستیم باید کد خود را به دو قسمت تقسیم کنیم.
365
00:14:18,160 –> 00:14:20,240
366
00:14:20,240 –> 00:14:23,199
برای یک بهینه سازی دو پارامتری بی طرفانه یا بایاس
367
00:14:23,199 –> 00:14:25,920
از آمار
368
00:14:25,920 –> 00:14:27,839
kpss اگر به دنبال یک بهینه سازی بی طرفانه
369
00:14:27,839 –> 00:14:30,320
از آمار kpss
370
00:14:30,320 –> 00:14:33,519
هستیم، فقط می توانیم پارامتر b را تغییر دهیم به گونه ای که اگر
371
00:14:33,519 –> 00:14:36,720
پارامتر b را ثابت کنیم، سپس پارامتر a
372
00:14:36,720 –> 00:14:39,120
به طور پیش فرض تعیین می شود تا
373
00:14:39,120 –> 00:14:43,199
پیشبینی در 21 پنجره چرخشی که
374
00:14:43,199 –> 00:14:46,160
ما مشخص کردهایم، اساساً بیطرفانه است به طوری
375
00:14:46,160 –> 00:14:47,199
که
376
00:14:47,199 –> 00:14:48,240
377
00:14:48,240 –> 00:14:51,680
میانگین پیشبینی برای
378
00:14:51,680 –> 00:14:54,079
ارزش تعادلی قیمت سهم دوم
379
00:14:54,079 –> 00:14:57,040
برابر با a به اضافه b برابر
380
00:14:57,040 –> 00:15:00,240
میانگین ارزش سهام اول است
381
00:15:00,240 –> 00:15:02,079
و این دقیقاً منطقی است که
382
00:15:02,079 –> 00:15:03,760
اعمال میشود. در
383
00:15:03,760 –> 00:15:06,160
اینجا اگر پارامتر b مجموعه ای داشته باشیم و
384
00:15:06,160 –> 00:15:08,240
آن را در اینجا در این تابع تغییر دهیم که
385
00:15:08,240 –> 00:15:10,160
در اینجا تعریف می
386
00:15:10,160 –> 00:15:12,959
کنیم پارامتر a ما به سادگی a است. میانگین
387
00:15:12,959 –> 00:15:16,160
قیمت سهام دوم uh منهای b
388
00:15:16,160 –> 00:15:18,8