알파트로스

페어 트레이딩 전략을 개발하기 위해 해결해야 할 두 가지 주요 문제는 1. 자산을 선택하여 평균 회귀 속성을 갖도록 하는 것과 2. 언제 거래할지를 결정하는 것이다. 두 번째 질문에 대한 일반적인 방법은 스프레드가 장기 평균에서 일정 금액 벗어날 때(ex historical standard deviation의 2~3배) 진입하는 것이다.  이 포스트는 단위 시간당 기대 수익률을 최대화하는 것을 통해 진입 및 청산 threshold를 정하는 방법론에 대해 다룬다. 이 접근법은 Bertram (2010)에 의해 처음 논의되었고, 이후 Zeng 및 Lee(2014)는 초기 모델을 수정하여 롱 포지션 거래만 가능했던 제한을 제거했다. 임계값이 좁으면 거래를 완료하는 데 걸리는 시간이 짧지만 이익은 적다. 반면,..

이 모델은 가격 스프레드를 기반으로 하는 전략이다 . 원래는 세 가지 접근 방식이 제안되었으나, 테스트를 통해 세 번째 접근 방식인 미래 스프레드 값을 먼저 예측한 후, 예측된 값과 실제 값의 차이를 기반으로 거래 신호를 생성하는 방법으로 구현되었다. 투자자는 스프레드 값의 급격한 움직임에서 이익을 얻을 수 있다   Auto ARIMA Model일반적으로, 이 목적을 위한 예측 알고리즘은 크게 parametric model 과 non-parametric model 두가지로 나눠진다. parametric model은 기본 프로세스가 적은 수의 파라미터로 설명될 수 있는 특정 구조를 가지고 있다고 가정한다. 하지만 이 접근 방식의 모델들은 한계가 있다.non-parametric model은 기본 프로세스의 ..

Bollinger Bands를 사용하여 스프레드의 Z-score를 기반으로 전략을 실행한다 $$Zscore_t = \frac{S_t - MA(S_t, T_{MA})}{std(S_t, T_{std})}$$ $S_t$는 시간 $t$에서의 스프레드$MA(S_t, T_{MA})$는 스프레드의 이동 평균으로, backwark-looking  $T_{MA}$ window를 사용하여 계산된다$std(S_t, T_{std})$는 스프레드의 rolling std로,  backwark-looking  $T_{std}$ window를 사용하여 계산된다.평균과 표준 편차를 계산하기 위한 look-back window는 최적화할 수 있는 매개변수이다.진입가격이 평균에서 entryZscore 표준 편차 이상으로..

O-U process로 모델링하고 Parameter 추정하다보면 가장 안되는게 $\theta$의 추정이다그에 대한 상세한 설명인 포스트!KEY TAKEAWAYS추정량의 편향 및 분산$\theta$의 추정량은 편향되며 AR(1) 기반 방법에서는 큰 분산을 가진다. 원칙적으로 개선하기 매우 어렵다.$\theta$가 과대 추정되는 경우가 많기 때문에 페어 트레이딩 시나리오에서는 모델이 너무 낙관적일 수 있다. 빠른 평균 회귀가 더 많은 수익을 나타내기 때문직접 최대 가능도 방법이 방법은 최대 가능도 추정기를 사용하는 경우, 알려진 평균을 가진 AR(1) 방법과 동일한 결과를 산출한다다소 느리다신뢰하지 말아야 할 상황평균 회귀 속도가 작거나, 평균 회귀의 반감기가 큰 경우 (예: 기간 내 평균을 20..