Regression Basierte Hedging Forex

Die lineare Regression der Zeit und des Preises Technische und quantitative Analytiker haben statistische Prinzipien auf den Finanzmarkt seit seiner Gründung angewendet. Einige Versuche waren sehr erfolgreich, während einige waren alles andere als. Der Schlüssel ist, einen Weg, um Preis-Trends zu identifizieren, ohne die Fehlbarkeit und Bias des menschlichen Geistes zu finden. Ein Ansatz, der für Investoren erfolgreich sein kann und in den meisten Charting-Tools zur Verfügung steht, ist eine lineare Regression. Lineare Regression analysiert zwei separate Variablen, um eine einzige Beziehung zu definieren. In der Diagrammanalyse. Dies bezieht sich auf die Variablen von Preis und Zeit. Anleger und Händler, die Charts verwenden, erkennen die Höhen und Tiefen des Preises, die von Tag zu Tag, Minute zu Minute oder Woche zu Woche horizontal gedruckt werden, abhängig vom ausgewerteten Zeitrahmen. Die unterschiedlichen Marktansätze sind das, was die lineare Regressionsanalyse so attraktiv macht. (Erfahren Sie mehr über quantitative Analyse in der quantitativen Analyse der Hedge Fonds.) Bell Kurve Grundlagen Statistiker haben die Glockenkurve Methode, auch bekannt als eine normale Verteilung verwendet. Um einen bestimmten Satz von Datenpunkten auszuwerten. Fig. 1 ist ein Beispiel einer Glockenkurve, die durch die dunkelblaue Linie bezeichnet ist. Die Glockenkurve stellt die Form der verschiedenen Datenpunktereignisse dar. Die Masse der Punkte findet normalerweise in Richtung der Mitte der Glockenkurve statt, aber im Laufe der Zeit verlaufen die Punkte oder weichen von der Population ab. Ungewöhnliche oder seltene Punkte sind manchmal weit außerhalb der normalen Bevölkerung. Abbildung 1: Eine Glockenkurve, Normalverteilung. Als Bezugspunkt ist es üblich, die Werte zu mitteln, um eine mittlere Punktzahl zu erzeugen. Der Mittelwert repräsentiert nicht notwendigerweise die Mitte der Daten und repräsentiert stattdessen die mittlere Punktzahl einschließlich aller abgehenden Datenpunkte. Nachdem ein Mittel festgestellt wurde, bestimmen Analysten, wie oft der Preis vom Mittelwert abweicht. Eine Standardabweichung zu einer Seite des Mittelwerts ist gewöhnlich 34 der Daten oder 68 der Datenpunkte, wenn wir eine positive und eine negative Standardabweichung betrachten, die durch den orangefarbenen Pfeilabschnitt dargestellt wird. Zwei Standardabweichungen umfassen etwa 95 der Datenpunkte und sind die zusammengesetzten orangefarbenen und rosa Bereiche. Die sehr seltenen Erscheinungen, dargestellt durch lila Pfeile, treten an den Schwänzen der Glockenkurve auf. Da jeder Datenpunkt, der außerhalb von zwei Standardabweichungen auftritt, sehr selten ist, wird oft angenommen, dass die Datenpunkte in Richtung des Mittelwertes zurückgehen oder zurückgehen. (Für weitere Informationen siehe Moderne Portfolio Theory Stats Primer.) Aktienkurs als Datensatz Stellen Sie sich vor, wenn wir die Glockenkurve genommen, drehte es auf seiner Seite und wandte sie auf ein Aktiendiagramm. Dies würde uns erlauben, zu sehen, wann eine Sicherheit überkauft oder überverkauft ist und bereit ist, auf den Mittelwert zurückzukehren. In Abbildung 2 wird die lineare Regressionsstudie dem Diagramm hinzugefügt, was den Investoren den blauen Außenkanal und die lineare Regressionslinie durch die Mitte unserer Preispunkte gibt. Dieser Kanal zeigt den Investoren die aktuelle Kursentwicklung und liefert einen Mittelwert. Unter Verwendung einer variablen linearen Regression können wir einen schmalen Kanal bei einer Standardabweichung oder 68 einstellen, um grüne Kanäle zu erzeugen. Während es keine Glockenkurve gibt, können wir sehen, dass der Preis jetzt die Glockenkurven-Divisionen widerspiegelt, die in Abbildung 1 zu sehen sind. Abbildung 2: Abbildung des Handels der mittleren Reversion unter Verwendung von vier Punkten Trading the Mean Reversion Dieses Setup wird leicht mit vier Punkten gehandelt Das Diagramm, wie in Abbildung 2 dargestellt. Nr. 1 ist der Einstiegspunkt. Dies wird nur dann zu einem Einstiegspunkt, wenn der Kurs zum äußeren blauen Kanal gehandelt hat und sich innerhalb der einen Standardabweichungslinie zurückbewegt hat. Wir dont einfach verlassen sich auf mit dem Preis als Ausreißer, weil es eine weitere weiter aus bekommen kann. Stattdessen wollen wir, dass das Outcome-Ereignis stattgefunden hat und der Preis auf den Mittelwert zurückgeht. Ein Rückzug innerhalb der ersten Standardabweichung bestätigt die Regression. (Prüfen Sie, wie die Annahmen der theoretischen Risikomodelle mit der tatsächlichen Marktperformance vergleichen, lesen Sie die Verwendungen und Grenzen der Volatilität.) Nr. 2 bietet einen Stop-Loss-Punkt, falls die Ursache der Ausreißer weiterhin den Preis negativ beeinflusst. Durch das Setzen der Stop-Loss-Order lässt sich das Risiko des Trades schnell bestimmen. Für ertragsstarke Exits werden zwei Preisziele für No.3 und No.4 festgelegt. Unsere erste Erwartung an den Handel war, auf die mittlere Linie zurückzukehren, und in Figur 2 ist der Plan, die Hälfte der Position bei 26,50 oder dem aktuellen Mittelwert zu beenden. Das zweite Ziel arbeitet unter der Annahme eines anhaltenden Trends, so dass ein anderes Ziel am anderen Ende des Kanals für die andere Standardabweichungslinie oder 31,50 eingestellt wird. Diese Methode definiert eine Investoren mögliche Belohnung. Abbildung 3: Füllen des mittleren Preises Im Laufe der Zeit wird der Preis nach oben und unten bewegt und der lineare Regressionskanal ändert sich, wenn die alten Preise fallen und neue Preise erscheinen. Zielvorgaben und Stopps sollten jedoch gleich bleiben, bis das mittlere Preisziel erreicht ist (siehe Abbildung 3). Zu diesem Zeitpunkt wurde ein Gewinn eingesperrt und der Stop-Loss sollte auf den ursprünglichen Einstiegspreis verschoben werden. Angenommen, es ist ein effizienter und liquider Markt. Der Rest des Handels sollte ohne Risiko sein. (Erfahren Sie mehr in der Arbeit durch die effiziente Markthypothese.) Abbildung 4: Füllen des Mittelpreises. Denken Sie daran, eine Sicherheit nicht zu einem bestimmten Preis für Ihre Bestellung zu schließen, es muss nur den Preis intraday erreichen zu schließen. Sie können auf dem zweiten Ziel während eines der drei Bereiche in Abbildung 4 gefüllt worden sein. Wirklich Universal Techniker und Quant-Händler arbeiten oft ein System für eine bestimmte Sicherheit oder Lager und finden, dass die gleichen Parameter nicht auf andere Wertpapiere oder Aktien zu arbeiten. Die Schönheit der linearen Regression ist, dass die Sicherheiten Preis und Zeit bestimmen die Systemparameter. Verwenden Sie diese Tools und die in diesem Artikel definierten Regeln auf verschiedene Wertpapiere und Zeitrahmen und Sie werden überrascht sein, über seine universelle Natur. (Für weitere Informationen siehe Besseres Portfolio mit Alpha-und Beta-und Style-Fragen in der Finanz-Modellierung.) Quantile Regressionsanalyse von Hedge-Fonds-Strategien Loukia Meligkotsidou a, Ioannis D. Vrontos b. . , Spyridon D. Vrontos ca Institut für Mathematik, Universität Athen, Athen, Griechenland b Institut für Statistik, Universität für Wirtschaft und Unternehmen Athen, Pat. 76, GR-10434 Athen, Griechenland c Institut für Statistik - und Versicherungswissenschaften, Universität Piraeus, Piraeus, Griechenland erhielt am 11. Juli 2007, revidiert am 11. September 2008, Akzeptiert 5. Oktober 2008, Online verfügbar 15. Oktober 2008Erweiterung früherer Arbeiten zur Hedge-Fonds-Preisgestaltung stellt dieses Papier die Idee vor, die bedingten Quantile der Hedge-Fonds-Renditen anhand einer Reihe von Risikofaktoren zu modellieren . Quantile Regressionsanalyse bietet eine Möglichkeit, zu verstehen, wie sich die Beziehung zwischen Hedge-Fonds-Renditen und Risikofaktoren ändert sich über die Verteilung der bedingten Renditen. Wir schlagen einen bayesischen Ansatz für Modellvergleich vor, der die hinteren Wahrscheinlichkeiten für verschiedene Risikofaktormodelle liefert, die für die Modellmittelung verwendet werden können. Die wichtigsten Risikofaktoren werden für verschiedene Quantile identifiziert und mit denen verglichen, die für das bedingte Erwartungsmodell erhalten wurden. Es gibt Unterschiede in den Faktoreffekten über Quantile von Renditen, die darauf hindeuten, dass die standardmäßige bedingte mittlere Regressionsmethode nicht geeignet sein kann, die Risiko-Rendite-Eigenschaften von Hedge-Fonds aufzudecken. Wir untersuchen die potenziellen wirtschaftlichen Auswirkungen unseres Ansatzes, indem wir Hedgefonds-Einzelstrategie-Rendite-Reihen analysieren und Strukturportfolios aufbauen. Jel-Klassifikation Bedingte Quantile Modellauswahl-Techniken Modellunsicherheit Hedge-Fonds Bayes-Modell-Mittelwert Risikofaktoren Stil Portfolio-Konstruktion