量化交易软件策略：使用计量经济学方法分析图表

简介

我经常听到有关市场动荡不稳的言论。这也解释了为何无法实现成功的长期交易。但事实果真如此吗？让我们尝试从科学的角度分析这一问题。赫兹量化将选择计量经济学方法进行分析。为何选择计量经济学方法？首先，MQL 社区热衷于追求精确性，而这只能通过数学和统计学予以实现。其次，如果我没弄错的话，之前在这方面尚属空白。

需要指出的是，成功的长期交易问题无法通过一篇文章就得以解决。现在，我只打算介绍选定模型的几种诊断方法，希望在以后的使用中能够体现其价值。

此外，我将尽可能清楚介绍一些枯燥的理论知识，包括公式、定理和假设。然而，我希望读者已经了解统计学的一些基本概念，例如：假设、统计显著性、统计（统计标准）、离差、分布、概率、回归、自相关等。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

1. 时间序列的特性

显而易见，赫兹量化分析的对象是价格序列（及其派生物），这是一个时间序列。

计量经济学家从频率法（频谱分析、小波分析）和时域法（互相关分析、自相关分析）的角度研究时间序列。市面上已经有了频谱方法介绍方面的文章，读者可自行查阅《构建频谱分析》一文。在此，我建议将注意力集中在时域方法、自相关分析尤其是条件方差分析上。

在价格时间序列表现的描述方面，非线性模型要优于线性模型。这就是我们在本文中研究非线性模型的原因。

价格时间序列的一些特性只能通过特定的计量经济模型加以考虑。首先，这些特性包括：“肥尾”、波动集群性和杠杆效应。

​

编辑

添加图片注释，不超过 140 字（可选）

图 1. 具有不同峰度的分布。

图 1 展示了具有不同峰度（峭度）的 3 个分布。其峭度小于正态分布峭度的分布具有“肥尾”的可能性要大于其他分布。该分布标为粉红色。

赫兹量化需要分布来显示随机值的概率密度，概率密度用于计算研究序列的值。

通过提到波动的集群性（出自群集 - 群、集中），我们是指：高波动时期后会出现高波动时间周期，低波动时期后面同样会出现低波动时期。如果昨天发生价格波动，则今天也很可能发生。因此，波动存在惯性。图 2 显示波动表现为群集性。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

图 2. USDJPY 每日收益的波动集群性。

下跌市场的波动杠杆效应要甚于上涨市场的该效应。它受制于杠杆系数的增大，而杠杆系数取决于股价下跌时所借资产与自有资产的比率。然而，该效应适用于股票市场而非期货市场。因此，赫兹量化无需对其进行更多考虑。

2. GARCH 模型

好了，赫兹量化的主要目标是通过一些模型来预测汇率（价格）。计量经济学家使用数学模型来描述可进行定量估计的某种效应。简言之，他们根据事件选用不同公式，通过这种方式来描述事件。

考虑到所分析的时间序列具有上文提到的属性，能将这些属性考虑在内的最佳模型就是非线性模型。最常用的非线性模型之一是 GARCH 模型。它将如何帮助我们？在其主体（函数）内，它将考虑序列的波动，即离差在不同观察周期的波动。计量经济学家使用了一个晦涩的术语来命名该效应 - heteroscedasticity（出自希腊语：hetero 表示“不同”，skedasis 表示“离差”）。

如果我们来观察一下公式本身，赫兹量化会发现该模型表明离差的当前波动 (σ2t)受参数先前的变化 (ϵ2t-i) 和离差先前的估计（所谓的“旧消息”）(σ2t-i) 所影响：

​

编辑

添加图片注释，不超过 140 字（可选）

限制为