原文链接：http://tecdat.cn/?p=18686
用于动量策略中所谓的动量（Momentum），是指某一对象所具有的一种倾向于保持其原有属性或特征的性质，也可以简单理解成一种惰性（Inertia）。股票的动量，简单地说就是涨的还会接着涨，跌的还会接着跌；过去涨得越猛，未来涨的也就越猛；过去跌得越狠，未来也会跌的越狠。
下面，本文将尝试将动量策略应用于调整后的数据（历史价格，股息和拆分数据，以预测公司的未来或获得市场见解）：
#*****************************************************************
# 加载一天结束时的历史数据
#*****************************************************************
# 股票代码
tickers = '
AGG
DBC
EEM
EFA
'
getSymbols.extra(tickers, src = 'yahoo', from = '1970-01-01', env = data, set.symbolnames = T, auto.assign = T)
#*****************************************************************
# 构建另一个不含股利的价格调整后的回测环境
#*****************************************************************
for(i in data$symbolnames) data.price[[i]] = adjustOHLC(data[[i]], symbol.name=i, adjust='split', use.Adjusted=F)
#*****************************************************************
# 调整价格
#*****************************************************************
for(i in data$symbolnames) data[[i]] = adjustOHLC(data[[i]], use.Adjusted=T)
prep(data, align='keep.all')我们构建了两个环境：
- 包含拆分和股息调整后的价格
- 仅包含调整后的价格
#*****************************************************************
# 排名60天变化率
#******************************************************************
return = prices / mlag(prices,60) - 1
position.score = iif(return < 0, NA, return)
data$weight[period.ends0,] = ntop(position.score[period.ends1,], 1)
#*****************************************************************
# 60/120天的排名变化率
#******************************************************************
return = prices / mlag(prices,60) - 1 + prices / mlag(prices,120) - 1
position.score = iif(return < 0, NA, return)
data$weight[period.ends0,] = ntop(position.score[period.ends1, , 1)
#*****************************************************************
# 创建报表
#*****************************************************************
plot(models)
mom60 mom120
Period Jan2002 - Mar2015 Jan2002 - Mar2015
Cagr 18.05 15.47
Sharpe 0.89 0.76
DVR 0.85 0.7
R2 0.95 0.92
Volatility 21.26 22.21
MaxDD -33.49 -51.75
Exposure 94.36 94.36
Win.Percent 63.76 62.42
Avg.Trade 1.69 1.49
Profit.Factor 2.24 2
Num.Trades 149 149
models$mom60 weight entry.date exit.date nhold entry.price exit.price return
SPY 100 2013-06-28 2013-07-31 33 155.04 163.06 5.17
XLV 100 2013-07-31 2013-08-30 30 49.88 48.12 -3.53
XLV 100 2013-08-30 2013-09-30 31 48.12 49.66 3.20
FXI 100 2013-09-30 2013-10-31 31 35.92 36.40 1.34
EEM 100 2013-10-31 2013-11-29 29 41.16 41.05 -0.27
XLV 100 2013-11-29 2013-12-31 32 54.24 54.64 0.75
SPY 100 2013-12-31 2014-01-31 31 180.35 173.99 -3.53
XLV 100 2014-01-31 2014-02-28 28 55.16 58.59 6.22
IYR 100 2014-02-28 2014-03-31 31 65.72 65.81 0.14
IYR 100 2014-03-31 2014-04-30 30 65.81 67.81 3.04
EEM 100 2014-04-30 2014-05-30 30 40.42 41.62 2.97
EEM 100 2014-05-30 2014-06-30 31 41.62 42.62 2.40
IYR 100 2014-06-30 2014-07-31 31 70.41 70.33 -0.11
FXI 100 2014-07-31 2014-09-30 61 39.96 37.80 -5.41
UUP 100 2014-09-30 2014-10-31 31 22.87 23.09 0.96
XLV 100 2014-10-31 2014-11-28 28 67.02 69.35 3.48
XLV 100 2014-11-28 2014-12-31 33 69.35 68.38 -1.40
IYR 100 2014-12-31 2015-01-30 30 76.84 81.23 5.71
IYR 100 2015-01-30 2015-02-27 28 81.23 79.12 -2.60
FXI 100 2015-02-27 2015-03-30 31 43.76 44.74 2.24接下来，我们考虑以下3种设置：
- “已调整”-拆分和股息调整后的价格数据。信号和损益仅从调整后的数据时间序列中得出。
- “实际”-仅使用拆分后的调整数据，尚未对股息进行调整。信号和损益仅从唯一的拆分调整后的数据时间序列中得出。
- “混合”-使用“实际”时间序列生成信号，使用“调整”时间序列进行损益计算。
#*****************************************************************
# 辅助函数
#******************************************************************
return = prices / mlag(prices,60) - 1
position.score = iif(return < 0, NA, return)
return = prices / mlag(prices,60) - 1 + prices / mlag(prices,120) - 1
position.score = iif(return < 0, NA, return)
models[[paste0('mom120',name)]] =run(data, clean.signal=F, commission = commission, trade.summary=T, silent=T)
models
#*****************************************************************
# 安装
#******************************************************************
all.models = c(all.models, strategy(prices.adj, data, 'Adjusted'))
#*****************************************************************
# 创建报表
#*****************************************************************
plot(models
print(plotbt.strateg(models, make.plot=F,
mom60Adjusted mom60Actual mom60Hybrid
Period Jan2002 - Mar2015 Jan2002 - Mar2015 Jan2002 - Mar2015
Cagr 18.05 15.02 17.22
Sharpe 0.89 0.76 0.85
DVR 0.85 0.73 0.82
R2 0.95 0.96 0.96
Volatility 21.26 21.33 21.33
MaxDD -33.49 -35.99 -33.74
Exposure 94.36 92.44 92.44
Win.Percent 63.76 62.33 63.01
Avg.Trade 1.69 1.49 1.67
Profit.Factor 2.24 1.98 2.15
Num.Trades 149 146 146
plotbt(models, plotX = T, log = 'y'
print(plotstrategy)
mom120Adjusted mom120Actual mom120Hybrid
Period Jan2002 - Mar2015 Jan2002 - Mar2015 Jan2002 - Mar2015
Cagr 15.47 13.61 15.66
Sharpe 0.76 0.69 0.77
DVR 0.7 0.64 0.73
R2 0.92 0.92 0.94
Volatility 22.21 22.08 22.07
MaxDD -51.75 -49.93 -47.15
Exposure 94.36 92.47 92.47
Win.Percent 62.42 60.96 61.64
Avg.Trade 1.49 1.37 1.54
Profit.Factor 2 1.9 2.02
Num.Trades 149 146 146经调整后的数据表现优于实际数据和混合数据。
最受欢迎的见解
1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用
8.R语言如何做马尔科夫转换模型markov switching model