Pca Trading Signale

Ive wurde mit der Erforschung von Handelsstrategien in Bezug auf PCA zu handelnde festverzinsliche Futures-Instrumente beauftragt. Anscheinend wird PCA häufig in diesem Bereich verwendet. Im nur auf der Suche nach einigen Referenzen für den Erhalt einer grundlegenden Idee, wie eine Strategie aussehen könnte. Im nicht auf der Suche nach einer Gewinnstrategie - nur eine Skizze, wie PCA könnte nützlich sein, in der Erzeugung von Handelssignalen. Ich verstehe die Mathematik hinter PCA und habe es in anderen Bereichen verwendet, aber seine Anwendungen für die Finanzierung sind neu für mich. Eines der besten Stücke jemals zu diesem Thema geschrieben ist Salomons Principles of Principal Components, die leicht im Internet verfügbar ist. Ich gehe nicht in die Details, da diese Arbeit ist lächerlich umfassend, aber die grundlegende Idee ist einfach - wenn Sie eine PCA basierend auf Erträgen, die ersten drei Komponenten erfassen die meisten der Varianzen, mit den drei Faktoren grob interpretiert als Ebene , Steilheit und Krümmung der Kurve. Die am häufigsten verwendete Anwendung für PCA ist der Schmetterlingshandel (z. B. Sie können den TY Vertrag gegen FV und WN kaufen oder Sie können EDZ6 gegen EDZ5 und EDZ4 kaufen). PCA erlaubt es Ihnen, die benötigten Risikogewichte zu berechnen, so dass die Strukturen für die ersten beiden Hauptkomponenten neutral sind. Dies ermöglicht es Ihnen, sich auf den Handel der Krümmung der Zinsstrukturkurve zu konzentrieren, ohne das Risiko von Risiken zu vermeiden. Es ist eine empirische Beobachtung, aber sehr viel ein Ergebnis, wie die Zinskurve gehandelt wird, verhält sich amp. Wenn zerlegen Bindung Portfolio Renditen über lange Horizonte, you39ll fast immer feststellen, dass die Dauer (d. H. Ertragsniveau) ist ziemlich der einzige wichtigste Faktor ist es auch, was die Leute über die meisten reden (10-Jahres-Rendite hat BLAH heutequot). Slope ist definitiv das nächste Ding, das auf Menschen den Geist (quotThe Renditekurve bull flattenedbear steepenedetc heute). Krümmung ist fast nie in der Presse erwähnt, und ist in der Tat ein viel kleiner Faktor beim Fahren täglich Zinskurven Bewegungen. Ndash Helin Gai Jan 6 15 at 21: 22Sie haben ein multifaktorielles Modell, das als Input von 10 20 exogenen schwach stationären Variablen dient. Dann können Sie PCA verwenden, um nur 3 4 orthogonale Variablen zu erhalten, um Ihr Modell zu vereinfachen, ohne zu viele Informationen zu verlieren (es vielleicht zuerst 3 4 Hauptkomponenten erklären mehr als 90 der 10 20 ursprünglichen Variablen39 Gesamtabweichung). Zum Beispiel, technische Händler oft viel t. a. Indikatoren wie MACD, RSI, stochastische und so weiter: Es ist wahrscheinlich, dass die erste Hauptkomponente dieser Indikatoren mehr als 95 aller Indikatoren39 Varianz erklärt. Ndash Lisa Ann Mai 2 13 at 9:54 Um Ihre Fragen zu beantworten, müssen wir einen Blick darauf werfen, was es tut. PCA wird mathematisch als orthogonale lineare Transformation definiert, die die Daten in ein neues Koordinatensystem umwandelt, so dass Nachrichtenvektoren Orthogonale sind und den Hauptteil der Varianz des ersten Satzes erklären. Es nahmen eine N x M Matrix als Eingabe, N die differents Wiederholung des Experiments und M die Ergebnisse einer bestimmten Sonde. Es gibt Ihnen Anweisungen (oder Hauptkomponenten), die die Varianz Ihres Datasets erklären. So hängt alles davon ab, was Sie in Ihrem PCA eingeben. Ich verwende PCA, um auf Marktkorrelation zu schauen, also nehme ich M Preise über N Mal ein. Sie können Unterschiede messen (greeks, Futures.) Eines einzelnen Aktien eingeben, um einen Blick auf seine Dynamik. Meine Verwendung wird die Korrelation eines Aktienkurses mit dem Markt, bekannt als beta geben, wird die andere Verwendung geben Korrelation zwischen verschiedenen technischen Indikatoren einer Aktie. Und gut ich denke, Sie können einige interessante Ergebnisse mit differents Indikatoren über differents Aktien zu bekommen. Vergessen Sie nicht über die Vorverarbeitung. Wie Sie hier sehen können: Datensynchronisation gibt es einige heikle Probleme mit Marktdaten. Es hängt auch davon ab, was Sie mit Ihren Ergebnissen tun. Sie können ein Kriterium verwenden, um Komponenten mit geringer Varianz zu entfernen, um die Dimension Ihres Datasets zu reduzieren. Dies ist das übliche Ziel von PCA. Es gibt Ihnen eine reduzierte Anzahl von Aktien zu einem Portfolio zu bauen, um profitrisk Kurven zu schätzen. Aber Sie können auch komplexere Nachbehandlung. Hier: th-if. uj. edu. plactavol36pdfv36p2767.pdf Sie sehen eine Verwendung von PCA kombiniert mit zufälligen Matrix-Theorie, um das Rauschen des Marktes zu entfernen. PCA ist ein Werkzeug, ein sehr leistungsfähiges Werkzeug, aber nur ein Werkzeug. Ihre Ergebnisse hängt davon ab, wie Sie es verwenden. Das Risiko besteht darin, es zu viel zu benutzen. Sie wissen, was sie sagten, wenn Sie einen Hammer haben, sieht jedes Problem wie ein Nagel aus.