알파트로스

arbitragelab.cointegration_approach.utils의 두 메서든인 get_half_life와 get_hurst에 관한포스트 Half-life 하프라이프는 주어진 변수가 절반 정도로 평균에 가까워지는 데 걸리는 시간으로 평균 회귀 과정에서 시간이 지남에 따라 변수(주가 등)가 평균으로 되돌아오는 속도를 나타내는 지표이다. \(y(t)\)가 OU process를 따른다고 가정할때\[dy(t) = \lambda (y(t-1) - \mu) dt + d\epsilon\]\( \lambda \)는 평균 회귀 속도 (rate of mean reversion)를 나타내며, 주어진 시계열이 평균 \( \mu \)로 얼마나 빠르게 되돌아가는지를 결정한다.\( \mu \)는 장기 평균(long-ter..

테스트목적적용 범위가설반감기 계산ADF Test단일 시계열의 단위근 검정단일 시계열 데이터단위근 존재 여부 ((λ=0))반감기 계산 가능: [ \text{Half-life} = -\frac{\log(2)}{\lambda} ]Engle-Granger Cointegration Test두 시계열 간 공적분 검정두 개의 시계열 데이터잔차의 정상성 검정반감기 계산 가능 (공적분 관계가 성립할 때): 잔차 시계열의 λ값을 사용하여 ADF와 동일하게 계산Johansen Cointegration Test다중 시계열 간 공적분 검정다중 시계열 데이터랭크(r) 검정반감기 개념 적용 어려움     Augmented Dickey–Fuller (ADF) testErnest P. Chan에 따르면 mean-reverting pr..

Intergrated time series of order dCointegration은 두 개 이상의 시계열 데이터가 장기적인 균형 관계를 유지하는 현상을 말한다. 적분이라는 말때문에 들을때마다 적분기호가 떠오르지만, 전혀 관계가 없고 time series 분석에서의 "integrated time series of order d : I(d) "라는 개념에서 비롯된 것이다I(d) 시계열시계열이 I(d)라고 할 때, 이는 d차 차분을 통해 정상성(stationary)을 얻을 수 있다는 의미이다. 예를 들어, 가격(price), 이자율(rate), 수익률(yield) 데이터는 I(1)으로 표현 가능하다 즉 한 번의 차분을 통해 정상성을 얻을 수 있다는 뜻이다.I(0) 시계열 정상성 시계열을 의미한다. 금융분야..

페어 트레이딩(Pairs Trading)이란?페어 트레이딩은 통계적 차익 거래(statistical arbitrage)의 하위 개념이다. 통계적 차익 거래는 factor investing, 페어 트레이딩의 mean-reverting portfolios로 나눌 수 있다. 즉 페어트레이딩은 통계적 차익 거래이지만, 통계적 차익거래는 페어트레이딩이 아니다 헷갈리지 말자.페어 트레이딩은 일반적으로 두 자산 간의 mispricing을 이용해 하나의 자산은 매수하고 다른 하나는 매도하는 전략을 뜻한다. 즉 함께 움직이는 두개(또는 그 이상의 자산)의 mispricing을 활용하여 한 자산(또는 다수)에 롱포지션을 취하고 다른 자산(또는 다수)에 숏 포지션을 취함으로써 관계가 유지되고 가격이 다시 균형 수준으로 수렴..

트레이딩 스타일이 맞지않아 버려뒀던 Arbitrage Lab이 오픈소스로 풀린 기념으로 다시보기아비트라지랩이 오픈소스로 풀린건 다 이유가 있겠지..라는 생각과 함께 그래도 많이 배웠으니까목차는 내가 레플리케이트 해봤던 순서대로, 여러 시계열에 사용할 수 있었던 방법론 먼저..  나머지는 시간나는대로! Codependence MeasureCorrelation Based MetricsInformation Theory MetricsCopula Based MetricsOptimal TransportSpread ModelingCointegration test based spread modeling 관련도큐멘트 허드슨아티클OU based spread modeling 관련도큐멘트 허드슨아티클 sparse mean r..

상관관계는 랜덤 변수 간의 선형적 종속성을 측정하는 데 유용하지만, 비선형 관계에서는 적절하지 않을 수 있다. 선형적 종속성을 위한 거리 측정 방법으로는 \( d_{\rho}[X, Y] = \sqrt{\frac{1}{2}(1 - \rho[X, Y])} \) 또는 \( d_{|\rho|}[X, Y] = \sqrt{1 - |\rho[X, Y]|} \) 등이 있다. 그러나 비선형 관계에서는 Variation of Information, VI이 더 적합한 거리 측정 방법입니다. 이는 함수적 가정을 필요로 하지 않으며, ML 알고리즘과 함께 사용하기에 유리하다