前の記事（https://www.fmz.com/digest-topic/4187）では、私たちはペアの取引戦略を導入し、取引戦略を作成し、自動化するデータと数学的解析を使用する方法を示します。バランスのとれたロング・ショート株式戦略は、対象取引のペアの取引戦略のバスケットの自然な拡張を適用することです。特に、多くの品種に適しており、このような電子マネー市場と商品先物市場など市場の相互関係の性質を持っています。
基本原理
バランスのとれたロング・ショート株式戦略は、原取引のバスケット同時に長いと短いです。トランザクションをペアリングと同様に、投資対象は高価な投資対象の種類、安価であるかを決定。違いは、バランスの取れたロング・ショート株式投資戦略が可能になるということである全ての対象は、投資対象が比較的安価であるかを決定するために、ストックタンクに来ましたまたは高価。その後作ら投資N前方のマルチヘッドの主題、およびn-ボトムショート投資対象の等しい量（=総グロスロングポジションショートポジション）に基づいてランク付け。
私たちが前に言ったときに、ペアの取引は市場中立戦略です覚えていますか？バランスのとれたロング・ショート株式戦略、あまりにも、ロングとショートのポジションは、政策が市場ニュートラル（市場の変動の影響を受けない）ままであることを保証するために等しいので。この戦略は、統計的にも非常に堅牢であり、ランク・ホールド複数の位置によって、投資対象は、あなたがあなたのランキングモデル、一回のオープンポジションのだけではなく、リスクにいくつかのオープンポジションを行うことができます。あなたは賭けだけの純粋なあなたは、プログラムの品質をランク付けします。
順位スキームとは何ですか？
ランキング方式では、期待される性能に基づいて、各モデルの優先投資対象を割り当てることができます。前記要因の値が要因、技術仕様、価格モデル、又は上記要因の全ての組み合わせであってもよいです。たとえば、あなたが投資対象をランク付けする傾向-次モメンタム指標のシリーズを使用することができます。投資対象はよく実行し、最高ランクを取得していきます最高の勢いを持っていることが予想され、最小の運動量投資対象最悪、リターンの最低率を。
この戦略の成功をほぼ完全に使用順位スキームは、つまり、あなたのランキング方式は、高性能な投資対象や投資目標低パフォーマンス、ロング・ショート戦略投資対象に、より良いリターンを分離することができます。そのため、開発プログラムのランキングは非常に重要です。
ランキングスキームを開発するには？
我々は順位スキームを決定したら、我々は明らかにそれから利益をできるようにしたいです。私たちは、短いランキングの一番下にある一流の投資対象や投資目標以上のことをするために同じ金額を置くことによってこれを行います。これは、戦略は、品質順位に従ってお金比例を行いますと、「マーケット・ニュートラル」になることを保証します。
あなたはすべての投資対象のランクmのために行われていると仮定し、n個のドルへの投資、および2P（M> 2P）の位置の合計を保持したいと考えています。ランクランク1投資対象が最悪であることが予想される場合には、m個の投資対象の順位は最高のパフォーマンスであることが予想されます。
- あなたが手配します投資対象は以下のとおりです。$ 2 / 2P投資対象の短い1、......、このような位置P、
- あなたが投資対象が配置されます：MPが、......、このような位置mは、N / 2Pドル以上の投資対象を作ります
注意：発生する原投資の価格は常に均等に分割N / 2P、および特定の投資対象の整数を購入する必要がありますので、いくつかの不正確なアルゴリズムがあるだろうされていないため、価格のジャンプに、アルゴリズムは、この図の近くに配置してください。以下のためのn = 100000およびp = 500戦術を実行して、我々は、次を参照してください。
N / 2P = 1000分の100000 = 100
この価格は、100のスコア以上であるあなたがオープンポジションの価格を獲得することはできませんので、（この問題は存在しないデジタル通貨市場を（）などの商品先物市場のような）大きな問題が発生します。私たちは、取引の価格の割合を減らすことによって、この状況を緩和するためか、資本を増やす必要があります。
のは、それの仮想的な例を見てみましょう
- 私たちの研究環境を構築するための定量化プラットフォームの発明
まず、スムーズに動作するように、私たちは私たちの研究環境、我々はプラットフォームを定量化するために使用する紙の発明を構築する必要があります（FMZ.COM）後者は、効率的なAPIのインタフェースおよびパッケージングを容易にするために、このプラットフォームを使用することができ、主に、研究環境をセットアップしましたドッカーサウンドシステム。定量化プラットフォームの発明者の正式なタイトルでは、このシステムは、ドッカー受託システムと呼ばれています。
- 受託者とロボットを展開する方法には、私の以前の記事を参照してくださいます。https：//www.fmz.com/bbs-topic/4140
- 私は受託者の読者は、この記事を参照することができ、独自のクラウドコンピューティングサーバーの展開を購入したいします。https：//www.fmz.com/bbs-topic/2848
アナコンダ：正常にデプロイクラウドコンピューティングサービスと受託システムの後、そして、私たちは、Pythonの最大の成果物をインストールしたいです。すべての環境手続きに必要な紙（依存ライブラリ、バージョン管理、など）を達成するために、最も簡単な方法は、アナコンダを使用することです。これは、パッケージ化Pythonの科学的データであり、生態系は、ライブラリ・マネージャに依存します。
- Anacondaインストール方法について、アナコンダ公式ガイドを参照してくださいます。https：//www.anaconda.com/distribution/
- この記事では、Pythonと、重要な科学技術計算ライブラリの両方で非常に人気numpyの、現在パンダを使用します。これらの基本的な仕事私の以前の記事を参照することができ、環境を設定する方法の手順とアナコンダのnumpyのとパンダの両方のライブラリがあり、参照してください。https://www.fmz.com/digest-topic/4169
我々はランク付けされ、ランダムな投資対象とランダム要素を生成します。私たちは私たちの未来は、実際の値を返すこれらの要因に依存していると仮定しましょう。
今、私たちは、係数値と利点を持っている、と私たちは基礎となる投資の値に応じた要因をランク付けする場合、何が起こるかロングとショートのポジションを開き見ることができます。
短い番号10;当社の戦略は、より多くの数のいずれかを実行するために、基礎となるプールのバスケットに投資することです。返品ポリシーは以下のとおりです。
結果は以下の通りである：4.172。私たちのランキングモデルにお金を入れて、それが根本的な投資の低パフォーマンスの高性能投資対象から分離することができます。この記事では以下のページは、我々は、ランキング制度を評価する方法について説明します。収益性の裁定ランキングのメリットに基づいて、それが市場の乱れに影響されないということですが、あなたはそれを使用することができます。
私たちは、現実世界の例を考えてみましょう
私たちは、さまざまな業種の32銘柄のS＆P 500インデックスのデータをロードし、それらをランク付けしてみてください。
私たちは、ランク付けの基礎として標準化された運動量の指標ヶ月の期間を見てみましょう
私たちは、今、私たちは市場での要因をランク付けする当社株式の選択にどのように動作するかを見て、当社の株式の動作を分析します。
データ分析
株価の挙動
私たちは、振る舞い方のモデルである私たちのリストに株式のバスケットの私達の選択を見てください。この目的を達成するために、私たちは1週間のすべての株式を長期的なリターンを計算してみましょう。その後、我々は前にリターンと相関の勢いに30日前に、1週間毎の在庫を見ることができます。株式との間に正の相関が株式の間に負の相関が平均回帰で示す、トレンドに従うことでした。
すべての当社の株式はある程度平均回帰です！これは、高スコアの在庫は運動量分析をランク付けする場合、我々は来週にそのパフォーマンスの低下を期待すべきことを教えてくれる（もちろん、私たちは、宇宙が動作するようになっている選択しました）。
勢いはスコアとリターンの一種との相関関係を分析します
接下来，我们需要看看我们的排名得分和市场总体的前向回报之间的相关性，即预计回报率的预测与我们的排名因子的关系,较高的相关性等级是否可以预测较差的相对回报，又或者反之亦然？为此，我们计算所有股票的30天的动量和1周远期回报之间的每日相关性。
每日相关性表现的非常嘈杂，但非常轻微（这是预期到的，因为我们说过所有的股票都会均值回归）。我们还要看看1个月前向回报的平均每月相关性。
我们可以看到平均相关性再次略微为负，但每个月也会变化很大。
平均一篮子股票回报率
我们已经计算了从我们的排名中取出的一篮子股票的回报。如果我们对所有股票进行排名然后将它们分成nn组，那么每组的平均收益是多少？第一步是创建一个函数，该函数将给出每月给定的每个篮子的平均回报和排名因子。
我们根据此分数对股票进行排名时计算每个篮子的平均回报。这应该让我们可以了解很长一段时间内他们的关系。
似乎我们能够将高绩效者与低绩效者分开了。
利差(基差)一致性
当然，这些只是平均关系。为了了解这关系是多么一致，以及我们是否愿意进行交易，我们应该随着时间的推移来改变看待它的方法和态度。接下来，我们将查看它们前两年的月度利差(基差)。我们可以看到更多变化，进行进一步的分析以确定这个动量分数是否可以交易。
最后，如果我们做多最后一个篮子并且每个月做空第一个篮子，那么让我们看一下回报（假设每个证券的资本分配相等）
年回报率：5.03%
我们看到，我们有一个非常微弱的排名方案，只能温和地将高绩效股票与低绩效股票区分开来。 此外，这个排名方案没有一致性，每月变化很大。
找到正确的排名方案
要实现多空均衡权益策略，你实际上只需要确定排名方案。之后的一切都是机械的。一旦你有一个多空均衡权益策略，你可以交换不同的排名因子，别的都不用太大的改动。这是一种非常方便的方法，可以快速迭代你的想法，而无需担心每次调整全部代码。
排名方案也可以来自几乎任何模型。它不一定是基于价值的因子模型，它可以是一种机器学习技术，可以提前一个月预测回报并根据该等级进行排名。
排名方案的选择与评估
排名方案是多空均衡权益策略的优势所在，也是最重要的组成部分。选择一个好的排名方案是一个系统的工程，并没有简单的答案。一个很好的起点是选择现有的已知技术，看看你是否可以稍微修改它们以获得更高的回报。 我们将在这里讨论几个起点：
- 克隆和调整：选择一个经常讨论的内容，看看是否可以稍微修改它以获得优势。通常情况下，公开的因子将不再有交易信号，因为它们已完全套利出市场。但是，有时它们会引导你朝着正确的方向前进。
- 定价模型：任何预测未来回报的模型都可能是一个因子,都有潜在的可能用于对你的一篮子交易标的进行排名。你可以采用任何复杂的定价模型并将其转换为排名方案。
- 基于价格的因子（技术指标）：基于价格的因子，如我们今天所讨论的，获取有关每种权益的历史价格的信息，并使用它来生成因子价值。例子可能是移动平均指标，动量指标或波动率指标。
- 回归与动量：值得注意的是，有些因子认为价格一旦朝着一个方向发展，就会继续这样做。有些因子恰恰相反。两者都是关于不同时间范围和资产的有效模型，并且研究基础行为是基于动量还是基于回归是很重要的。
- 基本因子（基于价值）：这是使用基本价值的组合，如PE，股息等。基本价值包含与公司的现实世界事实相关的信息，因此在许多方面可以比价格更强大。
最终，发展预测因子是一场军备竞赛，你正试图保持领先一步。因子会从市场中被套利并且具有使用寿命，因此你必须不断地开展工作以确定你的因子经历了多少衰退，以及可以使用哪些新因子来取代它们。
其他考虑因素
重新平衡频率
每个排名系统都会在稍微不同的时间范围内预测回报。基于价格的均值回归可能在几天内可预测，而基于价值的因子模型可能在几个月内具有预测性。确定模型应该预测的时间范围非常重要，并在执行策略之前进行统计验证。你当然不希望通过尝试优化重新平衡频率来过度拟合,你将不可避免地找到一个随机优于其他频率.一旦确定了排名方案预测的时间范围，尝试以大约该频率进行重新平衡，以便充分利用你的模型。
资本能力和交易成本
每种策略都有最小和最大的资本容积,最低门槛通常由交易成本决定。交易太多股票将导致高交易成本。假设你想购买1000股，那么每次重新平衡将产生几千美元的成本。你的资本基础必须足够高，以使交易成本占你的策略产生的回报的一小部分。例如，如果你的资本为100,000美元且你的策略每月赚取1％（1000美元），则所有这些回报将被交易成本占用。你需要以数百万美元的资本运行该策略获利超过1000股。
最低的资产门槛，主要取决于交易的股票数量。然而，最大容量也非常高，多空均衡权益策略能够交易数亿美元而不会失去优势。这是事实，因为该策略相对不经常重新平衡.总资产数量除以交易的股票数量,每股的美元价值会非常低，你不必担心你的交易量会影响市场。假设你交易1000股，也就是100,000,000美元。如果你每个月重新平衡整个投资组合，那么每个股票每月会只交易100,000美元，这对于大多数证券而言不足以成为重要的市场份额。