交易策略

在配对交易中如何计算利差和交易没有单一的方法。一些方法使用线性回归和残差作为一个利差。我们将使用下一个算法。

这个算法策略包括以下几步：

1.通过上面描述的方法之一(例如，Engle-Granger)识别协整配对。

应该定期执行此步骤，以获得将在后续步骤中使用的一对(或多对)。

2.通过length N. 得到资产的价格历史。计算每对资产(如A和B)的收益。

3、计算收益之间的差额

4. 计算z分数，z分数是一个数据点离均值的标准差数。

这张图说明了z分数。

5. 检查进入头寸规则:

如果此条件成立，则为A(资本的50%)打开多头头寸，为B(资本的50%)打开空头头寸

如果这个条件成立，则为A打开空头头寸，为B打开多头头寸

6. 检查关闭头寸规则

如果这个条件成立，则关闭所有头寸。

让我们使用催化剂（Catalyst）框架为这个算法编写代码。

我在之前文章中简要介绍了Catalyst，可以在其中找到关于初始化、handle_data、分析和run_algorithm函数的信息。

一个标准的方法是，使用一个train \ test split，但是在我们的例子中也有一个协整测试周期。这些时期不应交叉。因此,我们有

协整测试周期——5个月（2018年1月1日至2018年5月31日）

回溯测试周期——4个月（从2018年6月1日到 2018年9月30日）

转发周期——2个月（2018年10月1日到2018年11月30日）

首先，应该验证算法。让我们使用XMR/USD和NEO/USD对运行这个脚本，并禁用佣金成本和关闭滑动模型。

正如我们所看到的，算法的返回曲线非常好。这就像它工作的方式(非常高的索提诺（Sortino）比率和回报率，4个月的收益是16-4%）。控制台输出性能：

总共收益：1.6-415993234216582

Sortino coef: 30.971434947620118

最大回撤率：-0.05125165292172551

回溯测试：

让我们建立佣金成本和滑动模型

表现不佳，权益(红线)平稳下降。通常情况下，当一个策略产生了很多平均利润较低的信号时，就会发生这种情况。

控制台输出性能：

总共收益：-0.9160713719222552

Sortino coef: -11.718587056-499238

最大回撤率：-0.9148-93278444377

应该尽量减少交易信号的数量，同时交易的潜在利润也应该很高。我建议增加min_spread值，设置为0.035，这意味着价差应该比往返交易成本高出几倍。

同样，z_signal_in值应该更高，例如对于99.99%的区间。时间范围可以更改为更大的值(例如每小时)，但是分析的周期将是相同的(3天)。

这组参数实现了我们的目标。信号数量少(黄色线表示使用杠杆)，算法4个月正向表现：

总收益：0.0946758-967277288

Sortino coef: 8.399998343300492

最大回撤率：-0.028181546269574607

转发：

这一步更真实地展示了所开发的算法。让我们对样本外数据(最近两个月)采用该策略。

XMR/USD和NEO/USD的转发测试

表现依然良好，指标接近于回测值:

总收益：0.040754467244888515

Sortino coef: 8.205062447014148

最大回撤率：-0.010029904921808-908

可以通过索提诺（Sortino）比率值来比较结果。

该策略的权益图是

进一步的问题讨论

对不同的资产进行大量的试验，以创建一个可靠的资产组合，并调整它们之间的资金管理。

1、它将允许获得更重要的统计数据，因为交易的数量将会更大。

2、该试验尝试使用跨货币对来降低交易成本(例如XMR/NEO，而不是XMR/USD和NEO/USD)。

3、采用以下步骤：对投资组合中的每一对数据进行协整测试—回测—转发，以获得更可靠的生产模式性能。可调参数:历史记录长度、p值阈值和算法参数。

4、创建规则，当共同移动属性被破坏时停止算法，如果这不可预见，结果可能是一场灾难。

总结

1、描述了该方法并创建了算法交易策略。

2、该算法在回测和转发测试中取得了良好的效果。演示了不同的表现度量和图表。

3、就如何改进这项研究提出了建议。

4、源代码可以得到github。

关注币海启行微信公众号，了解更多