R语言数据的收益率和可能的波动性交易

以下是如何做到这一点。

首先，你需要去alphaVantage，注册，并https://www.alphavantage.co/support/#api-key获得一个API密钥。

 下载数据很简单 。

require(quantmod)

getSymbols('SPY', src ='av', adjusted =TRUE, output.size ='full', api.key = YOUR_KEY_HERE)

结果是：

>head(SPY)

SPY.Open SPY.High SPY.Low SPY.Close SPY.Volume SPY.Adjusted

2000-01-03 148.25 148.25 143.875 145.4375 8164300 104.3261

2000-01-04 143.50 144.10 139.600 139.8000 8089800 100.2822

2000-01-05 139.90 141.20 137.300 140.8000 9976700 100.9995

2000-01-06 139.60 141.50 137.800 137.8000 6227200 98.8476

2000-01-07 140.30 145.80 140.100 145.8000 8066500 104.5862

2000-01-10 146.30 146.90 145.000 146.3000 5741700 104.9448

这意味着，如果我的旧资产分配的任何一个旧的帖子由于雅虎的糟糕数据已经有些失效，它现在将再次对数据输入算法稍作修改。

除了证明这个例程之外，我想要做的另外一件事情是衡量一个我几个月前开始交易的系统对于波动性信号订阅服务的兴趣。

简单地说，我看到其他网站订阅服务的风险/回报比我目前交易的策略更差，在XIV，ZIV和VXX之间切换。目前，第10条中的股权曲线如下所示：​

也就是说，如果从那以后能够交易这个策略的话，2008年的1000美元将会变成大约100万美元。

自2011年以来（大约在XIV成立之初），表现是：

Performance

Annualized Return 0.8265000

Annualized Std Dev 0.3544000

AnnualizedSharpe(Rf=0%) 2.3319000

Worst Drawdown 0.2480087

Calmar Ratio 3.3325450

考虑到那里的一些网站每月要收取50美元以上的费用，要么是单一的战术资产轮换策略（风险/回报率较低），要么是一个可能具有巨大历史记录的波动性策略。