定量战术资产配置策略（QATAA）模型是使用10个月的移动平均线作为过滤器。

由Kaizong Ye，Liao Bao撰写

如果在月末，资产的价格高于移动平均线，就留在市场中；否则就会离开市场。

10个月有什么特别之处；为什么10个月对所有资产和区制都是不变的。我提出了根据历史波动率来调整移动平均线回溯的想法。

移动平均线交叉外汇交易策略 — 是一种简单的交易系统，基于两个标准指标的交叉 —一条快的EMA（指数移动平均线）和一条慢的EMA。

特点

非常简单的跟随策略。
使用简单的指标。
设置止损容易。
移动平均线具有延迟性 —延迟可能达到10天。
市场清淡时无效。

策略设置

可用于任何货币对和时间框架。
往图表上添加一条指数移动平均线，时段设置为9，适用收盘价，设置为红色（可选） — 这是一条快的移动平均线（FMA）。
往图表上再添加一条指数移动平均线，时段设置为14，适用收盘价，设置为蓝色（可选） — 这是一条慢的移动平均线（SMA）。

进场条件

当FMA自下方与SMAj交叉时，进场做多。

当FMA自上方与SMA交叉时，进场做空。

离场条件

多头止损应设置在发生交叉前上一个蜡烛台的低位处。空头止损设置在交叉前上一个蜡烛台的高位处。

止盈应根据止损进行设置，不应低于止损。建议设置为止损的1.5倍或2倍。

如果在触及止损或止盈之前，发生再次交叉，关闭当前头寸。

也就是说，在高波动时期，较短的移动平均线会让我们更快地离开市场，而在低波动时期，较长的移动平均线会让我们留在市场中。但是，这导致了更差的结果。

我花了一些时间分析基础的10个月移动平均线策略，看到了相当大的损失，简单的解决方法是在10个月移动平均线周围使用+/-5%的区间，以减少损失，增加收益。

下面我将展示这个概念是如何运作的。

#*****************************************************************
# 加载历史数据
#*****************************************************************


# 加载保存的代理原始数据


tickers = '
SPY
CASH = SHY + TB3Y
'

#*****************************************************************
# 用来显示信号的辅助函数
#*****************************************************************

  
  signal = iif(model == 'base', prices > sma,
  
  

  #基于信号创建一个模型
 
share(data, clean.signal=T, silent=T)

  # 创建一个图来显示信号

  plot(p\[dates\] ,type='l', plotX=F, x.highlight = highlight)

可下载资源

完整程序、数据和文档（word）

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列

4.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性

5.r语言copulas和金融时间序列案例

6.R 语言用RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测

7.Matlab创建向量自回归（VAR）模型分析消费者价格指数 (CPI) 和失业率时间序列

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析

课程

R语言数据分析挖掘必知必会

从数据获取和清理开始，有目的的进行探索性分析与可视化。让数据从生涩的资料，摇身成为有温度的故事。

立即参加 ➜

visuali('2000::2001')

延迟进场/退场的好处是交易量少，成交量小。

#*****************************************************************
# 设置
#*****************************************************************

models = list()

#*****************************************************************
# SPY
#******************************************************************

run(data)

#*****************************************************************
#  SPY + 10个月过滤器
#******************************************************************
apply(prices, SMA, 10*22)
 
iif(prices > sma, 1, 0)
CASH = 1 - ifna( ifna(SPY), 0)

#*****************************************************************
# SPY+10个月+5/-5%过滤器
#******************************************************************
(cross(prices, sma * 1.05), (prices, sma * 0.95), 0, NA)

我还包括了我对动态回测移动平均线的尝试，但在这种形式下，并不实用。

TMA三均线股票期货高频交易策略的R语言实现

阅读文章 ➜

#*****************************************************************
#  SPY + 基于波动率的动态过滤器
#******************************************************************
vol = matrix(ret, SD, n = 21)
if(vol.rank < 0.5, bt(prices, SMA, 10\*22),matrix(prices, SMA, 1\*22))

data$w

#*****************************************************************
# SPY+基于波动率的动态过滤器；多个级别
#******************************************************************
nbreaks = 5

sma.cash = sma * NA
for(i in 1:nbreaks) {
    temp = data(matrix(prices, SMA, (nbreaks - i + 1)* 2 *22)

}


#*****************************************************************
# 报告
#*****************************************************************
plot(models)

随时关注您喜欢的主题

	SPY	SPY.CASH	SPY.CASH.BAND	SPY.CASH.VOL.SIMPLE	SPY.CASH.VOL
Period	Jan1993 – Feb2015	Jan1993 – Feb2015	Jan1993 – Feb2015	Jan1993 – Feb2015	Jan1993 – Feb2015
Cagr	9.4	9.9	12.1	9.2	8
DVR	41.9	78.3	91.4	83.8	74
Sharpe	56.7	83.6	97.1	90.8	77.1
R2	73.9	93.7	94.1	92.3	96
Win.Percent	100	41.1	100	45.7	43.3
Avg.Trade	623.7	1.9	27.6	0.7	0.7
MaxDD	-55.2	-20.1	-19.1	-15.9	-22.3
Num.Trades	1	146	12	302	254

barplot(turnover, data)

接下来，让我们把相同的带状策略应用于TAA模型。

#加载保存的代理原始数据

data <- new.env()

getSymbols(tickers, src = 'yahoo')

#*****************************************************************
#  设置
#*****************************************************************
universe = prices > 0
    
models = list()

#*****************************************************************
# 基准
#*****************************************************************
weight\[\] = NA

#*****************************************************************
#The \[战术性资产配置策略的量化方法(QATAA) Mebane T. Faber\](http://mebfaber.com/timing-model/)
#\[SSRN \](http://papers.ssrn.com/sol3/papers.cfm?abstract_id=962461)
#*****************************************************************

weight = iif(prices > sma, 20/100, 0)
run(data)

#*****************************************************************
#  bands替代方案 移动平均
#*****************************************************************
signal = if(cross(prices, sma * 1.05), 1, iif(cross.dn(prices, sma * 0.95), 0, NA))

#*****************************************************************
# 报告
#*****************************************************************
#performance(models, T)

带状逻辑很容易实现，增加了收益。

	SP500	EW	Model	Model.B
Period	Jun1996 – Feb2015	Jun1996 – Feb2015	Jun1996 – Feb2015	Jun1996 – Feb2015
Cagr	8.2	8.6	9.8	10.6
DVR	28.7	64	117.4	127.9
Sharpe	49.2	69.3	120.4	132.7
R2	58.4	92.4	97.5	96.5
Win.Percent	100	59.9	64.4	64.6
Avg.Trade	335.7	0.1	0.2	0.2
MaxDD	-55.2	-47.5	-17.1	-13.1
Num.Trades	1	1113	930	887

layout(1)
barplot(sapply(models,turnover)

可下载资源

关于作者

Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

非常感谢您阅读本文，如需帮助请联系我们！

R语言资产配置策略量化模型：改进的移动平均线策略动态回测

定量战术资产配置策略（QATAA）模型是使用10个月的移动平均线作为过滤器。

特点

策略设置

进场条件

离场条件

TMA三均线股票期货高频交易策略的R语言实现

随时关注您喜欢的主题

接下来，让我们把相同的带状策略应用于TAA模型。

带状逻辑很容易实现，增加了收益。

相关文章

R语言资产配置策略量化模型：改进的移动平均线策略动态回测

定量战术资产配置策略（QATAA）模型是使用10个月的移动平均线作为过滤器。

特点

策略设置

进场条件

离场条件

TMA三均线股票期货高频交易策略的R语言实现

随时关注您喜欢的主题

接下来，让我们把相同的带状策略应用于TAA模型。

带状逻辑很容易实现，增加了收益。

相关文章

关注有关新文章的微信公众号