GARCH-QR非线性回归(GQNR)交易模型（初稿）

一、前言

量化交易的优势之处

        量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
        由于数字货币24*7小时不间断的交易市场的连续性，并且量化交易可以达到高频交易的效果，从数字货币市场入手显然是做量化的很好的起步点。目前数字货币市场仍然是不成熟的。平台交易系统的宕机，k线插针依然是会偶尔出现，对于量化交易也是一种风险所在。不过对于数字货币进行量化交易总体来看依然是利大于弊。因为通过模型的回测训练和时间序列的回测分析，我们可以在最短时间能尝试到数百种模型中最合适的方式。

二、GQNR模型简介

        本模型是基于Garch模型预测波动率，通过分位数回归预测波动率的VaR值进而利用非线性回归，例如GA进行拟合来预测未来下一个周期中的上限VaR以及下限VaR，在后文中将这种方法模型简称为GQNR。

1.Garch模块

        本板块将会详细介绍策略Garch核心的推导，此方法在金融市场具有一定的普适性，在数字货币上能到达一定预测效果。

1.1Garch定义

        ARCH模型的实质是使用残差平方序列的q阶移动平移拟合当期异方差函数值，由于移动平均模型具有自相关系数q阶截尾性，所以ARCH模型实际上只适用于异方差函数短期自相关系数。
        但是在实践中，有些残差序列的异方差函数是具有长期自关性，这时使用ARCH模型拟合异方差函数，将会产生很高的移动平均阶数，增加参数估计的难度并最终影响ARCH模型的拟合精度。
        为了修正个问题，提出了广义自回归条件异方差模型， 这个模型简记为GARCH（p,q）.
        GARCH模型实际上就是在ARCH的基础上，增加考虑异方差函数的p阶自回归性而形成，它可以有效的拟合具有长期记忆性的异方差函数。ARCH模型是GARCH模型的一个特例，p=0的GARCH（p,q）模型。

1.2ARCH过程

        定义σn是在第n-1个交易周期估计资产在第n个交易周期的波动率，mu为日收益率，那么可以根据最近m个交易周期的收益率进行无偏估计：
$${\sigma }_n^2=\frac{1}{m-1}\sum _{i=1}^m({\mu }_{n-i}-\overline{\mu }{)}^2$$
        做以下变化①将μn-i换成百分比收益率；②将m-1换成m；③假设μ=0,并且这些变化对结果影响不大，根据上式可以将波动率简化为：
$${\sigma }_n^2=\frac{1}{m}\sum _{i=1}^m{\mu }_{n-i}^2$$
        也就是说每一个周期的波动率的平方具有等权重1/m，由于是估计当前的波动率，距离近的数据应该赋予更高权重，则上式可以更改为：
$${\sigma }_n^2=\sum _{i=1}^m{\alpha }_i{\mu }_{n-i}^2$$
        αi是第i个交易周期的收益率平方的系数，取正值且i越小值越大，权重之和为1。进一步推广，假定存在一个长期的方差率VL，且对应的权重为γ，根据上式可以得到：