多因子模型在数字货币市场的应用研究
发布时间：2020-11-06 11:47
比特币自发明之日起,因其不通过政府集中发行、而依靠计算机网络节点生成具有去中心化的特点,获得国家层面及大量研究者、投资者的关注。同时随着比特币应用场景不断发展,逐渐开创了一个新兴的投资市场,带来了全球每日数百亿的资金交易。作为虚拟数字货币的典型代表,比特币正在快速进入全世界投资者的视野,截止2019年1月,全球最大数字货币交易平台之一的币安网每日成交量已达到30亿人民币。相较于传统市场,比特币市场特有的24小时无休市制度、“t+0”交易规则、同品种多市场的天然优势以及高波动率等特点,吸引了大量的采用量化交易手段的开发者与投资者入局,尤其是在传统交易市场针对股票、期货、股指等标的做量化交易的开发者纷纷入局,希望能够在新兴市场分一杯羹。本文主要根据数字货币交易市场的特点,研究比特币市场现状及交易风险。同时查阅并学习相关传统金融市场的量化交易模型,自主建立未来收益预测模型,实测并总结出有较高收益率的量化投资策略。本文利用实际数据筛选因子构造多因子数字货币选择模型并将选择的因子对数字货币收益率做联合回归,剔除在联合回归中不显著的因子,同时通过多组实际效果图得出最佳预测因子。主要成果是:本文在数字货币市场中共测试了四十多个不同类型的股票市场常用因子,经过单因子回归和多因子回归筛选出其中16个因子构建交易策略。从交易策略收益情况可以看出,该16个因子在数字货币市场上都是有效的,其中表现最好的是BOP和ROC两因子。本文最终得出所采用的多因子策略是有效的,从交易策略模拟收益情况来看,可以借鉴股票市场中的多因子选股模型从而建立适用于数字货币市场中的多因子模型,建立一个基于数字货币市场的多因子数字货币模型。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F49;F821;F831.5
【部分图文】：
?电子科技太学硕士学位论文???一方面数字货币市场天然适合量化投资的特点也吸引了大量的量化交易开发者参??与《茵内的投资者主要交易的Ａ股市场，因其有交易限时、涨跌停限制等特性，??无法使量化投资发挥出其全部的作用。而数字货币交易市场，因其特有的全天候??２４小时交易制度、“Ｔ＋０”交易规则以及同品种多市场等特点，与量化投资这￣利用??计算机、大数据的交易方式契合。??
首先需要思考的一个问题是关于股票多因子与数字货币多因子模型在构造时??的可比性，考虑到股票市场中囡子可选定的范围本身是非常广泛的，在传统的多??子选定过程中不仅会使甩基本面相关（估值、现金流、盈利能力等）的指标，??时还会选择技术类因子（动量指标．、趋势指标等）指但是５将这些指标类??至数字货币市场时，发现由于数字货币市场各币种具备不对外披露的特性，导??了基本面相关信息过少，甚至在数据上会有较大误差，因此本文认为在数字货??市场中所选定的因子应当主要以技术类因子为主。同时由于数字货币市场具有??强波动性的特点（以下文选取的币种为例，币种平均波动率高于８０％），给量化??供了较好的套利机会，本文所选定的囡子均为技术类因子，一共有８类，其中??Ｉ暈義标．、暈价指标、趋向指标、摆动指标、成交量指标、反趋向指标、强弱指??及其他类的指标都包括在内，例如：趋向指标包含：ＡＣＤ、ＢＢＩ、ＢＩＡＳ等因子；??趋向指标包含：ＣＣＩ、ＫＤＪ等因子；能量指标包含：ＡＲＢＲ、ＣＲ、ＶＲ因子等；??交暈指标包含：ＰＳＹ、ＶＯＳＣ、ＶＳＴＤ等因子。??结合目前有关多因子量化模型应用于数字货币市场研究较少的情况，本文尝??构建以技术类因子作为指标的数字货币市场多因子．暈化模型６??
ＢＯＰ囡子，为虚拟币ｉ在Ｃｔ－１）时亥Ｉ」的Ｒ０Ｃ６囡子。而和１１“分别为截距??项和儀差项。??观察２因子测试结果（图４－２－图４－５）：?２因子策略的单日年化收益率从－０．５％??到２％不等，其累计收益曲线持续攀升，表现为一条斜向上的曲线。连续４８个区??间里的最大两撤接近－６％，同期夏普比率均值接近２，表现较理想，回撤风险可控，??风险回报比尚可。??３１??
【参考文献】
本文编号：2873100
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F49;F821;F831.5
【部分图文】：
?电子科技太学硕士学位论文???一方面数字货币市场天然适合量化投资的特点也吸引了大量的量化交易开发者参??与《茵内的投资者主要交易的Ａ股市场，因其有交易限时、涨跌停限制等特性，??无法使量化投资发挥出其全部的作用。而数字货币交易市场，因其特有的全天候??２４小时交易制度、“Ｔ＋０”交易规则以及同品种多市场等特点，与量化投资这￣利用??计算机、大数据的交易方式契合。??
首先需要思考的一个问题是关于股票多因子与数字货币多因子模型在构造时??的可比性，考虑到股票市场中囡子可选定的范围本身是非常广泛的，在传统的多??子选定过程中不仅会使甩基本面相关（估值、现金流、盈利能力等）的指标，??时还会选择技术类因子（动量指标．、趋势指标等）指但是５将这些指标类??至数字货币市场时，发现由于数字货币市场各币种具备不对外披露的特性，导??了基本面相关信息过少，甚至在数据上会有较大误差，因此本文认为在数字货??市场中所选定的因子应当主要以技术类因子为主。同时由于数字货币市场具有??强波动性的特点（以下文选取的币种为例，币种平均波动率高于８０％），给量化??供了较好的套利机会，本文所选定的囡子均为技术类因子，一共有８类，其中??Ｉ暈義标．、暈价指标、趋向指标、摆动指标、成交量指标、反趋向指标、强弱指??及其他类的指标都包括在内，例如：趋向指标包含：ＡＣＤ、ＢＢＩ、ＢＩＡＳ等因子；??趋向指标包含：ＣＣＩ、ＫＤＪ等因子；能量指标包含：ＡＲＢＲ、ＣＲ、ＶＲ因子等；??交暈指标包含：ＰＳＹ、ＶＯＳＣ、ＶＳＴＤ等因子。??结合目前有关多因子量化模型应用于数字货币市场研究较少的情况，本文尝??构建以技术类因子作为指标的数字货币市场多因子．暈化模型６??
ＢＯＰ囡子，为虚拟币ｉ在Ｃｔ－１）时亥Ｉ」的Ｒ０Ｃ６囡子。而和１１“分别为截距??项和儀差项。??观察２因子测试结果（图４－２－图４－５）：?２因子策略的单日年化收益率从－０．５％??到２％不等，其累计收益曲线持续攀升，表现为一条斜向上的曲线。连续４８个区??间里的最大两撤接近－６％，同期夏普比率均值接近２，表现较理想，回撤风险可控，??风险回报比尚可。??３１??
【参考文献】
相关期刊论文 前6条
1 阮素梅;于宁;;证券投资基金收益概率密度预测——基于神经网络分位数回归模型[J];华东经济管理;2015年02期
2 高玉明;张仁津;;基于遗传算法和BP神经网络的房价预测分析[J];计算机工程;2014年04期
3 李钧;龚明;毛世行;高航;;数字货币:比特币数据报告与操作指南[J];中国科技信息;2014年Z1期
4 郭帝;;比特币发展前景的研究[J];中国证券期货;2013年07期
5 张靖;;量化投资之多模型应用[J];股市动态分析;2013年32期
6 洪蜀宁;;比特币:一种新型货币对金融体系的挑战[J];中国信用卡;2011年10期
相关硕士学位论文 前5条
1 潘磊;Fama-French五因子模型在A股市场有效性的比较研究[D];浙江财经大学;2019年
2 郭磊;截面型多因子量化模型在沪深300指数的投资应用研究[D];北京交通大学;2017年
3 刘超亚;比特币投资市场研究[D];首都经济贸易大学;2016年
4 曹义;多因子量化投资管理系统设计与实现[D];湖南大学;2014年
5 凌清;比特币的技术原理与经济学分析[D];复旦大学;2014年
本文编号：2873100
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/2873100.html
