量化投资 — 配对交易策略 （Pair Trading）

最新推荐文章于 2024-08-20 10:42:48 发布
最新推荐文章于 2024-08-20 10:42:48 发布
阅读量1.3w 收藏 68
点赞数 10
分类专栏： 量化金融 文章标签： 金融量化
本文深入探讨了配对交易策略，包括策略开发思路、交易信号产生、年化收益计算及可视化。通过实例分析了小范围时间内的策略表现，并讨论了时间序列平稳性对策略的影响。同时，指出了策略面临的风险，如Spread不回归、中国市场做空限制、回归系数重平衡以及交易成本问题。
摘要由CSDN通过智能技术生成

配对交易策略 Pair Trading

0. 引库

import pandas as pd
import numpy as np
import tushare as ts
import seaborn
from matplotlib import pyplot as plt
plt.style.use('seaborn')
%matplotlib inline

data = pd.read_csv('pair-trade-data.csv')
data.set_index('date',inplace = True)
data.head()
000568000858
date
2010/1/427.48811826.117536
2010/1/527.33512326.391583
2010/1/626.94170725.694008
2010/1/726.38801124.913389
2010/1/826.82514024.863562
data.plot(figsize=(8, 6));

在这里插入图片描述

2. 策略开发思路

# 价差是回归的（不科学想法）
data['priceDelta'] = data['000568'] - data['000858']
data.head()
000568000858priceDelta
date
2010/1/427.48811826.1175361.370582
2010/1/527.33512326.3915830.943540
2010/1/626.94170725.6940081.247699
2010/1/726.38801124.9133891.474622
2010/1/826.82514024.8635621.961578
# 图示价差及其均值
data['priceDelta'].plot(figsize=(8, 6));
plt.ylabel('Spread')
plt.axhline(data['priceDelta'].mean());

在这里插入图片描述

# 对价差进行标准化
data['zscore'] = (data['priceDelta'] - np.mean(data['priceDelta']))/np.std(data['priceDelta'])
data.head()
000568000858priceDeltazscore
date
2010/1/427.48811826.1175361.3705820.569895
2010/1/527.33512326.3915830.9435400.500520
2010/1/626.94170725.6940081.2476990.549932
2010/1/726.38801124.9133891.4746220.586796
2010/1/826.82514024.8635621.9615780.665903
len(data[data['zscore'] > 1.5])

17

# 'position_1'是000568开平仓信号
data['position_1'] = np.where(data['zscore'] > 1.5, -1, np.nan)
data['position_1'] = np.where(data['zscore'] < -1.5, 1, data['position_1'])
data['position_1'] = np.where(abs(data['zscore']) < 0.5, 0, data['position_1'])

data.head()
000568000858priceDeltazscoreposition_1
date
2010/1/427.48811826.1175361.3705820.569895NaN
2010/1/527.33512326.3915830.9435400.500520NaN
2010/1/626.94170725.6940081.2476990.549932NaN
2010/1/726.38801124.9133891.4746220.586796NaN
2010/1/826.82514024.8635621.9615780.665903NaN
产生交易信号
data['position_1'] = data['position_1'].ffill().fillna(0)

data['position_1'].plot(ylim=[-1.1, 1.1], figsize=(10, 6));

在这里插入图片描述

# 'position_2'是000858开平仓信号（与000568符号相反）
data['position_2'] = -np.sign(data['position_1'])
data['position_2'].plot(ylim=[-1.1, 1.1], figsize=(10, 6));

在这里插入图片描述

3. 计算策略年化收益并可视化

data['returns_1'] = (np.log(data['000568'] / data['000568'].shift(1))).fillna(0)
data['returns_2'] = (np.log(data['000858'] / data['000858'].shift(1))).fillna(0)
data.head(10)
000568000858priceDeltazscoreposition_1position_2returns_1returns_2
date
2010/1/427.48811826.1175361.3705820.5698950.0-0.00.0000000.000000
2010/1/527.33512326.3915830.9435400.5005200.0-0.0-0.0055810.010438
2010/1/626.94170725.6940081.2476990.5499320.0-0.0-0.014497-0.026787
2010/1/726.38801124.9133891.4746220.5867960.0-0.0-0.020766-0.030852
2010/1/826.82514024.8635621.9615780.6659030.0-0.00.016430-0.002002
2010/1/1125.93631124.6310371.3052740.5592850.0-0.0-0.033696-0.009396
2010/1/1226.40986725.3369161.0729510.5215430.0-0.00.0180940.028255
2010/1/1326.57743325.1376091.4398240.5811430.0-0.00.006325-0.007897
2010/1/1428.42066026.1092312.3114280.7227380.0-0.00.0670540.037924
2010/1/1528.25309426.2088852.0442090.6793270.0-0.0-0.0059130.003810
data['strategy'] = 0.5*(data['position_1'].shift(1) * data['returns_1']) + 0.5*(data['position_2'].shift(1) * data['returns_2'])
# 计算累积收益率
data[['returns_1','returns_2','strategy']].dropna().cumsum().apply(np.exp).tail(1)
returns_1returns_2strategy
date
2019/4/82.4701583.8376510.986754
# 可视化累积收益率
data[['returns_1','returns_2','strategy']].dropna().cumsum().apply(np.exp).plot(figsize=(10, 6));

在这里插入图片描述

Pair trading 策略 - 小范围时间（2013.6-2014.12）

data2 = pd.read_csv('pair-trade-data2.csv')
data2.set_index('date',inplace = True)
data2.head()
000568000858
date
2013/6/320.71905620.343053
2013/6/420.35722020.060867
2013/6/520.51454020.274644
2013/6/620.11337420.172031
2013/6/719.70434219.667508
data2.plot(figsize=(8, 6));

在这里插入图片描述

# 价差是回归的（不科学想法）
data2['priceDelta'] = data['000568'] - data['000858']
data2.head()
000568000858priceDelta
date
2013/6/320.71905620.3430530.376004
2013/6/420.35722020.0608670.296353
2013/6/520.51454020.2746440.239896
2013/6/620.11337420.172031-0.058657
2013/6/719.70434219.6675080.036833
# 图示价差及其均值
data2['priceDelta'].plot(figsize=(8, 6));
plt.ylabel('Spread')
plt.axhline(data2['priceDelta'].mean());

在这里插入图片描述

# 对价差进行标准化
data2['zscore'] = (data2['priceDelta'] - np.mean(data2['priceDelta']))/np.std(data2['priceDelta'])
data2.head()
000568000858priceDeltazscore
date
2013/6/320.71905620.3430530.3760040.048513
2013/6/420.35722020.0608670.2963530.000596
2013/6/520.51454020.2746440.239896-0.033369
2013/6/620.11337420.172031-0.058657-0.212979
2013/6/719.70434219.6675080.036833-0.155532
len(data2[data2['zscore'] > 1.5])

40

len(data2[data2['zscore'] < -1.5])

16

# 'position_1'是000568开平仓信号
data2['position_1'] = np.where(data2['zscore'] > 1.5, -1, np.nan)
data2['position_1'] = np.where(data2['zscore'] < -1.5, 1, data2['position_1'])
data2['position_1'] = np.where(abs(data2['zscore']) < 0.5, 0, data2['position_1'])

data2.head()
000568000858priceDeltazscoreposition_1
date
2013/6/320.71905620.3430530.3760040.0485130.0
2013/6/420.35722020.0608670.2963530.0005960.0
2013/6/520.51454020.2746440.239896-0.0333690.0
2013/6/620.11337420.172031-0.058657-0.2129790.0
2013/6/719.70434219.6675080.036833-0.1555320.0
data2['position_1'] = data2['position_1'].ffill().fillna(0)
data2['position_1'].plot(ylim=[-1.1, 1.1], figsize=(10, 6));

在这里插入图片描述

# 'position_2'是000858开平仓信号（与000568符号相反）
data2['position_2'] = -np.sign(data2['position_1'])
data2['position_2'].plot(ylim=[-1.1, 1.1], figsize=(10, 6));

在这里插入图片描述

data2['returns_1'] = (np.log(data2['000568'] / data2['000568'].shift(1))).fillna(0)
data2['returns_2'] = (np.log(data2['000858'] / data2['000858'].shift(1))).fillna(0)
data2.head(10)
000568000858priceDeltazscoreposition_1position_2returns_1returns_2
date
2013/6/320.71905620.3430530.3760040.0485130.0-0.00.0000000.000000
2013/6/420.35722020.0608670.2963530.0005960.0-0.0-0.017618-0.013968
2013/6/520.51454020.2746440.239896-0.0333690.0-0.00.0076980.010600
2013/6/620.11337420.172031-0.058657-0.2129790.0-0.0-0.019749-0.005074
2013/6/719.70434219.6675080.036833-0.1555320.0-0.0-0.020546-0.025329
2013/6/1319.56275419.0125150.5502390.1533340.0-0.0-0.007212-0.033871
2013/6/1419.61781619.0125150.6053010.1864590.0-0.00.0028110.000000
2013/6/1719.25597918.7204230.5355560.1445010.0-0.0-0.018616-0.015482
2013/6/1819.40543418.8531920.5522410.1545390.0-0.00.0077310.007067
2013/6/1919.95605419.2692020.6868520.2355210.0-0.00.0279790.021826
data2['strategy'] = 0.5*(data2['position_1'].shift(1) * data2['returns_1']) + 0.5*(data2['position_2'].shift(1) * data2['returns_2'])
# 计算累积收益率
data2[['returns_1','returns_2','strategy']].dropna().cumsum().apply(np.exp).tail(1)
returns_1returns_2strategy
date
2014/12/310.8929550.973471.12623
# 可视化累积收益率
data2[['returns_1','returns_2','strategy']].dropna().cumsum().apply(np.exp).plot(figsize=(10, 6));

在这里插入图片描述

# 计算年化收益率
data2[['returns_1','returns_2','strategy']].dropna().mean() * 252

returns_1   -0.073915
returns_2   -0.017554
strategy     0.077608
dtype: float64

# 计算年化风险
data2[['returns_1','returns_2','strategy']].dropna().std() * 252 ** 0.5

returns_1    0.300306
returns_2    0.280425
strategy     0.057016
dtype: float64

# 策略累积收益率
data2['cumret'] = data2['strategy'].dropna().cumsum().apply(np.exp)
# 策略累积最大值
data2['cummax'] = data2['cumret'].cummax()
# 算回撤序列
drawdown = (data2['cummax'] - data2['cumret'])
# 算最大回撤
drawdown.max()

0.03645280148896235

Pair trading 策略 - 考虑时间序列平稳性

import pandas as pd
import numpy as np
import tushare as ts
import seaborn
from matplotlib import pyplot as plt
plt.style.use('seaborn')
%matplotlib inline

1. 数据准备

data3 = pd.read_csv('pair-trade-data2.csv')
data3.set_index('date',inplace = True)
data3.head()
000568000858
date
2013/6/320.71905620.343053
2013/6/420.35722020.060867
2013/6/520.51454020.274644
2013/6/620.11337420.172031
2013/6/719.70434219.667508
data3.plot(figsize=(8,6));

在这里插入图片描述

2. 策略开发思路

data3.corr()  # 协方差矩阵
000568000858
0005681.0000000.552409
0008580.5524091.000000
# 可视化看相关关系
plt.figure(figsize =(10,8))
plt.title('Stock Correlation')
plt.plot(data['000568'], data['000858'], '.');
plt.xlabel('000568')
plt.ylabel('000858')
data.dropna(inplace = True)

在这里插入图片描述

# 对两股票价格做线性回归（白噪声项符合正态分布）
[slope, intercept] = np.polyfit(data3.iloc[:,0], data3.iloc[:,1], 1).round(2)      
slope,intercept 

(0.51, 7.82)

data3['spread'] = data3.iloc[:,1] - (data3.iloc[:,0]*slope + intercept)
data3.head()
000568000858spread
date
2013/6/320.71905620.3430531.956334
2013/6/420.35722020.0608671.858684
2013/6/520.51454020.2746441.992228
2013/6/620.11337420.1720312.094210
2013/6/719.70434219.6675081.798294
data3['spread'].plot(figsize = (10,8),title = 'Price Spread');

在这里插入图片描述

data3['zscore'] = (data3['spread'] - data3['spread'].mean())/data3['spread'].std()
data3.head()
000568000858spreadzscore
date
2013/6/320.71905620.3430531.9563341.452385
2013/6/420.35722020.0608671.8586841.382488
2013/6/520.51454020.2746441.9922281.478078
2013/6/620.11337420.1720312.0942101.551075
2013/6/719.70434219.6675081.7982941.339261
data3['zscore'].plot(figsize = (10,8),title = 'Z-score')
plt.axhline(1.5)
plt.axhline(0)
plt.axhline(-1.5)

<matplotlib.lines.Line2D at 0xcb62632e8>

在这里插入图片描述

产生交易信号
data3['position_1'] = np.where(data3['zscore'] > 1.5, 1, np.nan)
data3['position_1'] = np.where(data3['zscore'] < -1.5, -1, data3['position_1'])
data3['position_1'] = np.where(abs(data3['zscore']) < 0.5, 0, data3['position_1'])

data3['position_1'] = data3['position_1'].ffill().fillna(0)
data3['position_1'].plot(ylim=[-1.1, 1.1], figsize=(10, 6),title = 'Trading Signal_Uptrade');

在这里插入图片描述

data3['position_2'] = -np.sign(data3['position_1'])

data3['position_2'].plot(ylim=[-1.1, 1.1], figsize=(10, 6),title = 'Trading Signal_Downtrade');

在这里插入图片描述

3. 计算策略年化收益并可视化

data3['returns_1'] = np.log(data3['000568'] / data3['000568'].shift(1))
data3['returns_2'] = np.log(data3['000858'] / data3['000858'].shift(1))
data3['strategy'] = 0.5*(data3['position_1'].shift(1) * data3['returns_1']) + 0.5*(data3['position_2'].shift(1) * data3['returns_2'])

# 计算累积收益率
data3[['returns_1','returns_2','strategy']].dropna().cumsum().apply(np.exp).tail(1)
returns_1returns_2strategy
date
2014/12/310.8929550.973471.174494
data3[['returns_1','returns_2','strategy']].dropna().cumsum().apply(np.exp).plot(figsize=(10, 8),title = 'Strategy_Backtesting');

在这里插入图片描述

# 计算年化收益率
data3[['returns_1','returns_2','strategy']].dropna().mean() * 252

returns_1   -0.073915
returns_2   -0.017554
strategy     0.105002
dtype: float64

# 计算年化风险
data3[['returns_1','returns_2','strategy']].dropna().std() * 252 ** 0.5

returns_1    0.300306
returns_2    0.280425
strategy     0.068639
dtype: float64

# 策略累积收益率
data3['cumret'] = data3['strategy'].dropna().cumsum().apply(np.exp)
# 策略累积最大值
data3['cummax'] = data3['cumret'].cummax()
# 算回撤序列
drawdown = (data3['cummax'] - data3['cumret'])
# 算最大回撤
drawdown.max()

0.038159777097367176

策略的思考

  1. 对多只ETF进行配对交易，是很多实盘量化基金的交易策略；

策略的风险和问题：

  1. Spread不回归的风险，当市场结构发生重大改变时，用过去历史回归出来的Spread会发生不回归的重大风险；

  2. 中国市场做空受到限制，策略中有部分做空的收益是无法获得的；

  3. 回归系数需要Rebalancing；

  4. 策略没有考虑交易成本和其他成本；
Harold Wang
关注
专栏目录
在 Python 中实现配对交易策略：分步指南
探索人工智能领域
05-20 320
在本文中，我们将探讨 Python 中配对交易策略的实现。配对交易是算法交易中一种流行的策略，涉及在两种相关资产中建立多头和空头头寸，以从它们之间的相对价格变动中获利。我们将提供有关如何使用 Python 构建和执行配对交易策略的分步指南。
【量化策略系列】股票均值回归策略之一——配对交易策略（Pairs Trading）
Mikey_Sun的博客
11-11 6607
本文持续更新中。最后更新时间：11/3/2019 1. 前期文章回顾 [1] 作者简介 [2] 【量化策略系列基本篇】股票动量策略（汇总篇） 2. 均值回归策略简介 当我们打开炒股软件，随便打开一只股票，并查看他的历史价格，我们可以发现一个有趣的现象：在过去的数月之间，很难有股票可以连续上涨，也很难有股票可以连续暴跌；大部分股票都呈现出一种起起伏伏、涨涨跌跌的波动姿态，在K线图中呈现出一种“波浪”...
金融量化 — 配对交易策略 （Pair Trading）
帅泽泽的博客
11-09 8031
1. 配对交易策略 1.1、引言 在量化投资领域，既然严格的无风险套利机会少、收益率微薄，实际的执行过程中也不能完全消除风险。那么如果有一种选择，能够稍微放松100%无风险的要求，比如允许有5%的风险，但同时却能够让套利机会增加100%以上，那岂不是一个更好的选择？今天，我们就来介绍这样一种方法——配对交易。 1.2、统计套利 1.2.1 定义 统计套利即主要以对历史数据进行统计分析为基础，估计目标统计量的分布，再结合股票自身基本面数据来指导套利交易。 1.2.2 评价 统计套利相对于无风险套利，它增加了一
常见的量化投资策略的实现
最新发布
eeee~~的博客
08-20 1164
本文列举了通过Python实现价值投资策略、成长投资策略、分散投资策略、动量投资策略、收入投资策略、对冲策略（市场中性策略），指数投资策略和社会责任投资（SRI）和环境、社会及治理（ESG）投资策略的实例，来理解这些常见的量化投资策略。
配对交易策略
量化交易研究
07-10 9182
一、引言 在量化投资领域，既然严格的无风险套利机会少、收益率微薄，实际的执行过程中也不能完全消除风险。那么如果有一种选择，能够稍微放松100%无风险的要求，比如允许有5%的风险，但同时却能够让套利机会增加100%以上，那岂不是一个更好的选择？今天，我们就来介绍这样一种方法——配对交易。 二、统计套利 1.定义 统计套利即主要以对历史数据进行统计分析为基础，估计目标统计量的分布，再结合股票自...
量化金融分析AQF（11）：配对交易Pair trading 基础
陈宸的博客
04-14 4103
目录 1. 数据准备 & 回测准备 2. 策略开发思路 3. 计算策略年化收益并可视化 4.策略问题 配对交易(Pairs Trading)起源于八十年代中期，是经典的统计套利策略之一。配对交易在《Pairs Trading: Quantitative Methods and Analysis》一书中，通常所说的配对交易：基于统计套利的配对交易，即寻...
Pairs Trading 配对交易策略
qq_34102871的博客
05-13 522
配对交易策略是一种基于高频交易的策略，它通过同时买入一个资产和卖空另一个相关资产来利用它们之间的价差变化进行交易。配对交易策略的关键在于选择具有相关性的金融资产、计算价差、设定阈值，并根据阈值执行相应的交易操作。这个策略依赖于高频交易的技术和算法，通常需要实时获取市场数据、快速执行交易，并在极短的时间内获得小幅利润。需要注意的是，配对交易策略也存在一定的风险，因为资产之间的相关性可能会发生变化，导致价差持续偏离均值。的金融行情数据接口，写一下配对交易策略的实现方法，供大家参考学习。
配对交易策略设计
bluepomelo的博客
01-06 1385
配对交易策略设计
ETF50 & ETF500 Pair trading 策略
王昊的博客
05-11 1012
Pair trading 策略 ETF50 & ETF500 小demo import pandas as pd import numpy as np import tushare as ts import seaborn from matplotlib import pyplot as plt plt.style.use('seaborn') %matplotlib inline sto...
PairsTrading:使用MATLAB代码生成结果和图表中的结果“具有绝对和相对库存惩罚的对交易策略的随机最优控制”（http
05-16
交易对 使用MATLAB代码生成结果和图表中的结果“具有绝对和相对库存惩罚的对交易策略的随机最优控制”（ ） 要运行的主要脚本是main_script.m
使用数据驱动进行配对交易：简单交易策略
CoderPai的博客
04-28 7325
作者：chen_h 微信号 &amp; QQ：862251340 微信公众号：coderpai 使用数据驱动进行配对交易：简单交易策略 配对交易是一个纯基于数学分析的一个非常好的例子。接下里的文章，我们将演示如何去利用数据来创建一个自动化配对交易策略。 基本原则 我们假设你有一对股票 X 和 Y，它们之间有一些基本的经济联系，例如这是两家生产百事可乐和可口可乐的，它们拥有...
配对交易详细解析
10-30
量化交易，详细解释股票配对交易操作流程，多空对冲交易
配对交易python策略源码
09-19
配对交易（Pairs Trading）是指八十年代中期华尔街著名投行Morgan Stanley的数量交易员Nunzio Tartaglia成立的一个数量分析团队提出的一种市场中性投资策略，，其成员主要是物理学家、数学家、以及计算机学家。Ganapathy Vidyamurthy在《Pairs Trading: Quantitative Methods and Analysis》一书中定义配对交易为两种类型：一类是基于统计套利的配对交易，一类是基于风险套利的配对交易。
PairsTrading_FEX_配对交易matlab_matlab_
10-03
这个程序包实现的是配对交易策略。 Pair trading。 曾经风靡一时的算法。请见包中的说明文件。[matlab_pairs_trading] 这个程序包实现了高盛投行部研究成果：配对交易。Pair trading.
配对交易策略：在 MATLAB 中实现的配对交易策略。-matlab开发
05-30
该演示使用 MATLAB 和技术分析 (TA) 开发人员工具箱 ( http://www.tadeveloper.com ) 来开发和回测配对交易策略。 特别是，它展示了如何在 10 年的历史数据期间创建和回测统计套利模型。 评估模型的性能并执行参数扫描。 由此产生的交易策略很容易适用于任何其他相关的金融工具对。
58、【backtrader股票策略】两资产的配对交易策略(pairs trading strategy)
云金杞
04-26 1816
这个策略的思路来自于《151 trading strategies》，本文主要分为四个部分：策略逻辑描述、策略代码、策略绩效、策略简单分析 策略逻辑说明 这个策略的逻辑有些简单，一般而言，配对交易策略属于相对价值策略，通过一定的方法(基于基本面逻辑或者基于统计分析)选择具有相关性的两个股票，当两个股票的价差（A-B)比较低的时候,选择做多A，做空B；当价差比较高的时候，做空A，做多B ；基于的基本原理就是价差是均值回归的，涨的太高了，会下跌；下跌的太多了，会升高。 选定两支股票，建设银行与工商银行，因为.
量化交易之配对策略
bigquant的博客
07-02 600
对于股价有长期协整关系的两只股票X和Y, 可以通过历史数据回归计算两只股票的股价关系,即 Y = a*X + b, 得到相关系数a和残差项b； 如果两个股票所属同一行业，我们可以认为两者的股价未来应该保持上述关系，即序列 zscore=(b-mean(b,N))/std(b,N) 存在比较稳定的均值回归特性，保持在-1和1之间往复震荡; 当zscore小于-1时,Y股票低估，此时卖出X, 全仓买入Y； 当zscore大于 1时,X股票低估，此时卖出Y, 全仓买入X。...
期权 Pair trading 策略
王昊的博客
04-21 1878
Pair trading 策略 - 期权 0. 引库 import pandas as pd import numpy as np import tushare as ts import seaborn from matplotlib import pyplot as plt plt.style.use('seaborn') %matplotlib inline stocks_pair = ['c...
配对交易——关于策略优化的若干要点
m0_37876745的博客
02-16 857
图片来自：https://nikolaevny.github.io/ Universal Cointegration for Pairs Trading via Machine Learning. 文章使用的配对是可口可乐和百事可乐 文章对比了三种方法： Convergent Cross Mapping (CCM) +KNN算法 CCM 使用 k-Nearest Neighbor (kNN) 算法在每个系列中寻找可以在交叉映射中耦合的最近邻 一个由简单的线性估计算法校准的AR(1)模型 一个简单的线性估计
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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