基于风险平价的算法交易应用探究
发布时间：2021-08-25 21:02
实际交易过程当中,很多机构投资者都需要下大额的订单,在下单过程中,考虑到市场流动性和市场冲击成本等因素,投资者开始利用算法交易隐藏其交易过程,将大额订单拆分,分次以小额订单下达成交。算法交易的首次提出在上世纪80年代,经过几十年的发展,主要分为三代。第一代算法交易策略考虑通过历史信息最小化市场冲击成本,最典型的就是交易量加权平均算法（Volume Weighted Average Price,简称VWAP）,这一类算法已经在市场中广泛使用。第二代算法交易策略以执行差额算法（Implementation Shortfall,简称IS）为代表,在第一代算法的基础上引入交易的时间冲击成本。第三代算法交易策略只是在第二代的基础上深化和完善,考虑动态调整策略。现在的学者主要研究两个方向,一是如何优化VWAP算法中的交易量预测模型,另一个方向是如何在IS算法中优化价格变动模型。但无论是传统模型还是优化后的模型,在实际运用过程中,容易在一些极端情形造成过量损失。因此在本文当中,我们考虑引入新的风险刻画模型,来减少这种损失。现在流行的最优化评价准则有三类,一是最优化期望,其中第一代算法交易策略主要用这...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
图３－１：算法交易风险平价的结果??
?山东大学硕士学位论文???第四章实证分析??４．１数据选取与预处理??４．１．１数据选取??我们的实证采用的是上证５０ＥＴＦ股指的数据，国内上证５０ＥＴＦ股指流动??性高，能充分体现国内市场特点。我们使用上证５０ＥＴＦ?（５１００５０）从２０１Ｇ年３??月到２０１９年９月的分钟级数据来进行验证，其中日开盘价的走势图如图４－１所??示。其中横轴表示时间，纵轴是开盘价。???５１００５０???３．４?？??２０１６－０３?２０１６－０９?２０１７－０３?２０１７．０９?２０?１８－０３?２０１８－０９?２０１９－０３?２０１９－０９??Ｔｉｍｅ??图４－１：上证５０ＥＴＦ走势图??４．１．２数据预处理??数据预处理包括??１．数据重构：我们取的是上证５０ＥＴＦ股指的分钟级数据进行分析，三年半??的时间大约有１９万条。同时我们将数据转化成日期为索引和日内时间为??列名的数据格式，最终获得８０５个交易日的数据，后续的分析都基于重构??之后的数据。??２．数据补全与删减：经过检查，这个数据集的每一个交易日并没有数据缺失??或者异常，不需要进行额外的数据补全。在实际交易过程当中，上午九点??二十五，交易市场存在集合竞价，所以会多一条一分钟数据，但我们在实??－２５－??
?山东大学硕士学位论文???证分析的过程中，这条数据不会使用，后续分析过程中，直接将这一分钟??的数据舍弃。??通过以上预处理得到数据集，后续所有的数据分析都基于此预处理之后的??数据集。??４．２数据分析??４．２．１?ＶＷＡＰ?实例??我们考虑用移动平均算法对交易量进行估计。这里考虑使用的是过去１０天??的交易量的均值作为交易量的预测值。基于这种算法，我们对上证５０ＥＴＦ的??２０１６－２０１７年度的数据进行分析，部分结果如下所示。???２０１６０４１５???ＺＩＢＡ?■?ｊ?＼??ＳＥ?ｆ?Ｖｗ?＾??Ｑ?５０?１００?１５０?２００?２５０??Ｔｉｍｅ??图４－２：?２０１６０４１５日的每分钟开盘价走势图??图４－２画的是２０１６年４月１５号每分钟开盘价的走势图，我们可以看到在??这一天当中价格有多次起伏。但是这一天中的股指价格还是比较稳定的，与一??般情形比较符合。??图４－３画的是２０１６年４月１５号交易量的预测值与真实值的对比图。其中??横轴代表时间间隔，从开盘到封盘，并把中间停盘的时间去掉，时间间隔是一分??钟，纵轴代表每分钟占整天交易量的比重。红线代表的是交易量的真实值，蓝线??代表的是交易量的预测值。通过比较分析，我们可以得到ＶＷＡＰ算法关于交易??量的预测，在每分钟看来误差会很大但是在量级上差别并不大。从一天交易量??的分布走势来看，我们的ＶＷＡＰ策略能够很好的你和实际市场的交易量分布，??这样得到的交易策略的ＶＷＡＰ价格和市场的ＶＷＡＰ价格误差就会很校由图??分析我们可以得到，在一般情形下，移动平均算法关于交易量分布的预测准确??－２６?－??
【参考文献】：
期刊论文
[1]算法交易的市场影响研究[J]. 王宇超,李心丹,刘海飞. 管理科学学报. 2014(01)
[2]算法交易的兴起及最新研究进展[J]. 陈梦根. 证券市场导报. 2013(09)
[3]论全球证券交易系统七大发展趋势[J]. 杨明秋. 世界经济研究. 2010(11)
硕士论文
[1]基于机器学习方法的动态日内成交量比例预测的VWAP算法[D]. 张帅.山东大学 2019
[2]基于模拟股票市场的算法交易执行成本和市场质量研究[D]. 张昶煜.南京大学 2011
本文编号：3362848
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
图３－１：算法交易风险平价的结果??
?山东大学硕士学位论文???第四章实证分析??４．１数据选取与预处理??４．１．１数据选取??我们的实证采用的是上证５０ＥＴＦ股指的数据，国内上证５０ＥＴＦ股指流动??性高，能充分体现国内市场特点。我们使用上证５０ＥＴＦ?（５１００５０）从２０１Ｇ年３??月到２０１９年９月的分钟级数据来进行验证，其中日开盘价的走势图如图４－１所??示。其中横轴表示时间，纵轴是开盘价。???５１００５０???３．４?？??２０１６－０３?２０１６－０９?２０１７－０３?２０１７．０９?２０?１８－０３?２０１８－０９?２０１９－０３?２０１９－０９??Ｔｉｍｅ??图４－１：上证５０ＥＴＦ走势图??４．１．２数据预处理??数据预处理包括??１．数据重构：我们取的是上证５０ＥＴＦ股指的分钟级数据进行分析，三年半??的时间大约有１９万条。同时我们将数据转化成日期为索引和日内时间为??列名的数据格式，最终获得８０５个交易日的数据，后续的分析都基于重构??之后的数据。??２．数据补全与删减：经过检查，这个数据集的每一个交易日并没有数据缺失??或者异常，不需要进行额外的数据补全。在实际交易过程当中，上午九点??二十五，交易市场存在集合竞价，所以会多一条一分钟数据，但我们在实??－２５－??
?山东大学硕士学位论文???证分析的过程中，这条数据不会使用，后续分析过程中，直接将这一分钟??的数据舍弃。??通过以上预处理得到数据集，后续所有的数据分析都基于此预处理之后的??数据集。??４．２数据分析??４．２．１?ＶＷＡＰ?实例??我们考虑用移动平均算法对交易量进行估计。这里考虑使用的是过去１０天??的交易量的均值作为交易量的预测值。基于这种算法，我们对上证５０ＥＴＦ的??２０１６－２０１７年度的数据进行分析，部分结果如下所示。???２０１６０４１５???ＺＩＢＡ?■?ｊ?＼??ＳＥ?ｆ?Ｖｗ?＾??Ｑ?５０?１００?１５０?２００?２５０??Ｔｉｍｅ??图４－２：?２０１６０４１５日的每分钟开盘价走势图??图４－２画的是２０１６年４月１５号每分钟开盘价的走势图，我们可以看到在??这一天当中价格有多次起伏。但是这一天中的股指价格还是比较稳定的，与一??般情形比较符合。??图４－３画的是２０１６年４月１５号交易量的预测值与真实值的对比图。其中??横轴代表时间间隔，从开盘到封盘，并把中间停盘的时间去掉，时间间隔是一分??钟，纵轴代表每分钟占整天交易量的比重。红线代表的是交易量的真实值，蓝线??代表的是交易量的预测值。通过比较分析，我们可以得到ＶＷＡＰ算法关于交易??量的预测，在每分钟看来误差会很大但是在量级上差别并不大。从一天交易量??的分布走势来看，我们的ＶＷＡＰ策略能够很好的你和实际市场的交易量分布，??这样得到的交易策略的ＶＷＡＰ价格和市场的ＶＷＡＰ价格误差就会很校由图??分析我们可以得到，在一般情形下，移动平均算法关于交易量分布的预测准确??－２６?－??
【参考文献】：
期刊论文
[1]算法交易的市场影响研究[J]. 王宇超,李心丹,刘海飞. 管理科学学报. 2014(01)
[2]算法交易的兴起及最新研究进展[J]. 陈梦根. 证券市场导报. 2013(09)
[3]论全球证券交易系统七大发展趋势[J]. 杨明秋. 世界经济研究. 2010(11)
硕士论文
[1]基于机器学习方法的动态日内成交量比例预测的VWAP算法[D]. 张帅.山东大学 2019
[2]基于模拟股票市场的算法交易执行成本和市场质量研究[D]. 张昶煜.南京大学 2011
本文编号：3362848
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3362848.html
