变点理论CUSUM在择时交易中的应用

本文探讨了CUSUM控制图在量化交易策略中的运用,通过累积信息放大微小变化,提升对市场趋势变动的敏感度。利用对数收益率形成近似正态分布,结合允许偏差量与阈值,实现趋势判断。示例代码展示了如何使用TA-Lib库进行CUSUM检测,应用于5分钟螺纹钢数据,揭示潜在的交易信号。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

之前看到一篇文章,变点理论CUSUM在量化交易中;列了一堆数据和公式,说结果不错。链接如下:

https://max.book118.com/html/2017/0726/124391946.shtm

或者这个,就是整理版,有很详细的公式推导,不过代码写的不清不楚的,应该没写完。

https://wizardforcel.gitbooks.io/python-quant-uqer/134.html


花了些时间研究下:

原理描述:CUSUM控制图的设计思想是对信息加以累积,将过程的小偏移累加起来,达到放大的结果,从而提高检验小偏移的灵敏度。CUSUM作为一个统计量,其由来具有严格的数学推理,总的来说,是一个变点假设检验通过极大似然法推导得到的统计量。

具体推导不研究了,直接看具体引用



其实就是我之前文章说到那个那个对数收益率,形成一个对数收益率的近似正太分布。如上图,这里有一个上下允偏量k,这里设为k = 0.02, 先说上阈值, 那么时序队列里面,下一个时段的对数收益率大于0.02,yi则差值为正;如果差值累计yi的和Ci大于h,比如h为0.5。则触发向上趋势。

其实就是如果多次超过 允偏量收益率发生,或者一次非常大的收益率情况发生,使得c值大于h 就会触发向上趋势判断。如果只是偶尔一次大于 允偏量,那么下一次小于k (0.02)时候,差值为负值,和值Ci就变小了,这里Max的作用就是保证C为正,不会因为多次低于k值为负值。向下趋势判断也是同理。


代码如下,这里调用ta-lib库来计算均值和标准差,速度比起用numpy还快一些。用标准差做为 允偏量k;5倍标准差为h 阈值。

# encoding: UTF-8
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import talib
def detect_via_cusum_lg(ts, istart=30, threshold_times=5):
    """
    detect a time series using  cusum algorithm
    :param ts: the time series to be detected
    :param istart: the data from index 0 to index istart will be used as cold startup data to train
    :param threshold_times: the times for setting threshold
    :return:
    """
    S_h = 0
    S_l = 0
    S_list = np.zeros(istart)
    meanArray = talib.SMA(ts,timeperiod = istart)
    stdArray = talib.STDDEV(np.log(ts/meanArray),timeperiod = istart)
    for i in range(istart+1, len(ts)-1):
        tslog = np.log(ts[i] / meanArray[i - 1])
        S_h_ = max(0, S_h + tslog - stdArray[i-1])
        S_l_ = min(0, S_l + tslog + stdArray[i-1])
        if S_h_> threshold_times * stdArray[i-1]:
            S_list = np.append(S_list,1)
            S_h_ = 0
        elif abs(S_l_)> threshold_times *  stdArray[i-1]:
            S_list = np.append(S_list, -1)
            S_l_ = 0
        else:
            S_list = np.append(S_list, 0)
        S_h = S_h_
        S_l = S_l_
    return S_list
#数据导入
df5min =  pd.read_csv("bar5rb8888.csv")
dt0 = np.array(df5min["close"])
listup,listdown = [],[]
s_list = detect_via_cusum_lg(dt0,istart=30, threshold_times=5)
for i in range(0,len(s_list)):
    if s_list[i] == 1:
        listup.append(i)
    elif s_list[i] == -1 :
        listdown.append(i)
plt.subplot(2,1,1)
plt.plot(dt0, color='y', lw=2.)
plt.plot(dt0, '^', markersize=5, color='r', label='UP signal', markevery=listup)
plt.plot(dt0, 'v', markersize=5, color='g', label='DOWN signal', markevery=listdown)
plt.legend()
plt.subplot(2,1,2)
plt.title('s_list')
plt.plot(s_list,'r-')
plt.show()


用5分钟螺纹钢数据跑出来,部分如下,好像有搞头。代码在我Github里面可以找到

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/22259926/viewspace-2654170/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/22259926/viewspace-2654170/

### 使用R语言进行CUSUM检验以检测 在统计学中,累积和(CUSUM)控制图是一种用于监测过程均值是否发生偏移的技术。它特别适用于检测小幅度的化,并广泛应用于质量控制领域。以下是关于如何在R中实现CUSUM检验的具体方法。 #### 推荐使用的R包 `changepoint` 是一个强大的R包,专门设计用来识别时间序列或其他一维数据中的。此包提供了多种算法来执行这一任务,其中包括基于CUSUM检测方法[^1]。 #### CUSUM检验的核心概念 CUSUM检验通过计算累计偏差来进行分析。如果某个时刻的数据偏离了预期范围,则表明可能存在显著化。具体而言,在给定的时间窗口内,CUSUM会累加观测值与目标值之间的差异。一旦这个累积差超过了预定义阈值,就认为发生了事件[^4]。 下面展示一段简单的R代码示例: ```r # 安装并加载必要的库 if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager") install.packages("changepoint") # 如果尚未安装的话 library(changepoint) # 创建模拟数据集 set.seed(123) data <- c(rnorm(50, mean=0), rnorm(50, mean=2)) # 执行CPT (Change Point Test),采用PELT方法寻找多个改 cpt_result <- cpt.mean(data, method="PELT") # 输出结果摘要 print(cpt_result) # 可视化原始数据及其对应的改位置 plot(cpt_result, main="CUSUM Change Points Detection Example", ylab="Data Values", xlab="Time Index") ``` 上述脚本首先生成了一个包含两个不同分布部分的人工数据向量;接着调用了 `changepoint::cpt.mean()` 函数应用 PELT 算法查找平均值上的潜在转;最后绘制出了图形表示形式的结果以便直观观察发现的位置。 值得注意的是,虽然这里采用了默认参数设置运行程序,但在实际应用场景下可能需要调整某些选项比如最大允许误差水平等以适应具体情况的需求[^3]。 #### 结论 综上所述,利用R软件环境配合恰当工具箱如`changepoint`, 我们能够高效便捷地完成针对各类复杂情况下的探测工作。这种方法不仅限于理论研究层面的应用价值,在工业生产监控等方面同样具有广阔前景。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值