算法交易、价差交易和风险控制.算法交易.pptVIP

* ILWV (X/ADV=20%, λ=0.001)： T*=0.4864 (交易时间), E(IS)=0.0762 bps, SD(IS)=5。6934 bps * CLOSE (X/ADV=20%,λ=0.1)： T*=0.0086 (交易时间), E(IS)=0.2434 bps, SD(IS)=0.7568 bps * VWAP 策略： λ Aggresiveness T* (Volume Time) Risk(bps) Impact (bps) 0.001 Most Passive 0.2464 4。0520 0.0468 0.005 Passive 0.0818 2。3341 0.0513 0.01 Nornal 0.0362 1。5529 0.0569 0.1 Aggressive 0.0013 0.2932 0.0940 1 Most Aggressive 0.0001 0.0664 0.1497 * IS策略： λ Aggresiveness T* (Volume Time) Risk(bps) Impact (bps) 0.001 Most Passive 0.1092 2。6976 0.0543 0.005 Passive 0.0543 1。9014 0.0565 0.01 Nornal 0.0290 1。3896 0.0602 0.1 Aggressive 0.0013 0.2918 0.0942 1 Most Aggressive 0.0001 0.0664 0.1497 * ILWV策略： λ Aggresiveness T* (Volume Time) Impact (bps) Risk(bps) 0.001 Most Passive 0.4864 0.0762 5。6934 0.005 Passive 0.1821 0.0821 3。4831 0.01 Nornal 0.0845 0.0900 2。3727 0.1 Aggressive 0.0032 0.1470 0.4588 1 Most Aggressive 0.0001 0.2498 0.0844 * Close策略 λ Aggresiveness T* (Volume Time) Risk(bps) Impact (bps) 0.001 Most Passive 1。0000 8。1630 0.1321 0.005 Passive 0.4401 5。4152 0.1398 0.01 Nornal 0.2164 3。7975 0.1515 0.1 Aggressive 0.0086 0.7568 0.2434 1 Most Aggressive 0.0002 0.1282 0.4243 * 通过各种策略、各种激进程度的冲击和风险的最优化组合，可以绘出ETF带。 * 第6节 总结 采用虚拟变量,针对不同策略的综合模型已被开发。 采用实例展示相关建模结果及模型的实用性 建模结果可完善现有算法及最终交易绩效 我们模型可以找到其主要用途之一的交易前系统现在可以正式开发了 * 第7节： 公式详尽推导 求K=J-I/2随机变量的平均值和方差。 已知 其中 则Y的平均值为： * 附录：公式详尽推导 求K=J-I/2随机变量的平均值和方差(接上页)： Y的方差为： * 附录：公式详尽推导 求K=J-I/2随机变量的平均值和方差(接上页)： 已知 X在以下平均值和方差呈正态分布 即得出X和Y的协方差 * 附录：公式详单 求K=J-I/2随机变量的平均值和方差(接上页)：。 所以 即得出K的平均值为零,方差为： * 附录：公式详单 高斯-牛顿最优化算法 基本理念是通过解决一系列线性最小二乘方问题,来得出非线性最小二乘方的答案。假设x(k) 是kth 的近似解,将x(k) 的非线性最小二乘方线性化,将原来的问题转化成线性最小二乘方的问题,使用常用的最小二乘法得出最小点x(k+1) , (k+1) 的近似值。接着我们比较两个近似值,看以下结论是否成立。若成立,停止计算,答案已得出;否则,重复以上迭代 从数学上看,最小二乘方为： fi(x) 为x的非线性函数。上述迭代如下： * 附录：公式详单 高斯-牛顿最优化算法 (接上页) 其中： 且 * 附录：公式详单 加权最小二乘法 此处根据误差大小加权的异方差 通常设原始回归方程式为： 若已知异方差形式,如： 该已知异方差可以得到提前纠正，转化得出以下方程式。 此新模照常由最小二乘法估算 * 参考文献 Almgren, Robert F, Chee Thum, Emmanuel Hauptmann an