原文链接：http://tecdat.cn/?p=23141

原文出处：拓端数据部落公众号

定量战术资产配置策略（QATAA）模型是使用10个月的移动平均线作为过滤器。如果在月末，资产的价格高于移动平均线，就留在市场中；否则就会离开市场。

10个月有什么特别之处；为什么10个月对所有资产和区制都是不变的。我提出了根据历史波动率来调整移动平均线回溯的想法。也就是说，在高波动时期，较短的移动平均线会让我们更快地离开市场，而在低波动时期，较长的移动平均线会让我们留在市场中。但是，这导致了更差的结果。

我花了一些时间分析基础的10个月移动平均线策略，看到了相当大的损失，简单的解决方法是在10个月移动平均线周围使用+/-5%的区间，以减少损失，增加收益。

下面我将展示这个概念是如何运作的。

1.  
   #*****************************************************************
2.  
   # 加载历史数据
3.  
   #*****************************************************************
4.  
    
5.  
    
6.  
   # 加载保存的代理原始数据
7.  
    
8.  
    
9.  
   tickers = \'
10.  
    SPY
11.  
    CASH = SHY + TB3Y
12.  
    \'
13.  
     
14.  
    #*****************************************************************
15.  
    # 用来显示信号的辅助函数
16.  
    #*****************************************************************
17.  
     
18.  
     
19.  
    signal = iif(model == \'base\', prices > sma,
20.  
     
21.  
     
22.  
     
23.  
    #基于信号创建一个模型
24.  
     
25.  
    share(data, clean.signal=T, silent=T)
26.  
     
27.  
    # 创建一个图来显示信号
28.  
     
29.  
    plot(p[dates] ,type=\'l\', plotX=F, x.highlight = highlight)

visuali(\'2000::2001\')

延迟进场/退场的好处是交易量少，成交量小。 

1.  
   #*****************************************************************
2.  
   # 设置
3.  
   #*****************************************************************
4.  
    
5.  
   models = list()
6.  
    
7.  
   #*****************************************************************
8.  
   # SPY
9.  
   #******************************************************************
10.  
     
11.  
    run(data)
12.  
     
13.  
    #*****************************************************************
14.  
    # SPY + 10个月过滤器
15.  
    #******************************************************************
16.  
    apply(prices, SMA, 10*22)
17.  
     
18.  
    iif(prices > sma, 1, 0)
19.  
    CASH = 1 - ifna( ifna(SPY), 0)
20.  
     
21.  
    #*****************************************************************
22.  
    # SPY+10个月+5/-5%过滤器
23.  
    #******************************************************************
24.  
    (cross(prices, sma * 1.05), (prices, sma * 0.95), 0, NA)
25.  
     

我还包括了我对动态回测移动平均线的尝试，但在这种形式下，并不实用。

1.  
   #*****************************************************************
2.  
   # SPY + 基于波动率的动态过滤器
3.  
   #******************************************************************
4.  
   vol = matrix(ret, SD, n = 21)
5.  
   if(vol.rank < 0.5, bt(prices, SMA, 10*22),matrix(prices, SMA, 1*22))
6.  
    
7.  
   data$w
8.  
    
9.  
   #*****************************************************************
10.  
    # SPY+基于波动率的动态过滤器；多个级别
11.  
    #******************************************************************
12.  
    nbreaks = 5
13.  
     
14.  
    sma.cash = sma * NA
15.  
    for(i in 1:nbreaks) {
16.  
    temp = data(matrix(prices, SMA, (nbreaks - i + 1)* 2 *22)
17.  
     
18.  
    }
19.  
     
20.  
     
21.  
    #*****************************************************************
22.  
    # 报告
23.  
    #*****************************************************************
24.  
    plot(models)

1.  
    
2.  
   barplot(turnover, data)

接下来，让我们把相同的带状策略应用于TAA模型。 

1.  
   #加载保存的代理原始数据
2.  
    
3.  
   data <- new.env()
4.  
    
5.  
   getSymbols(tickers, src = \'yahoo\')
6.  
    
7.  
   #*****************************************************************
8.  
   # 设置
9.  
   #*****************************************************************
10.  
    universe = prices > 0
11.  
     
12.  
    models = list()
13.  
     
14.  
    #*****************************************************************
15.  
    # 基准
16.  
    #*****************************************************************
17.  
    weight[] = NA
18.  
     
19.  
    #*****************************************************************
20.  
    #The [战术性资产配置策略的量化方法(QATAA) Mebane T. Faber](http://mebfaber.com/timing-model/)
21.  
    #[s-s-rN ](http://papers.s-s-rn.com/sol3/papers.cfm?abstract_id=962461)
22.  
    #*****************************************************************
23.  
     
24.  
    weight = iif(prices > sma, 20/100, 0)
25.  
    run(data)
26.  
     
27.  
    #*****************************************************************
28.  
    # bands替代方案 移动平均
29.  
    #*****************************************************************
30.  
    signal = if(cross(prices, sma * 1.05), 1, iif(cross.dn(prices, sma * 0.95), 0, NA))
31.  
     
32.  
    #*****************************************************************
33.  
    # 报告
34.  
    #*****************************************************************
35.  
    #performance(models, T)

1.  
   layout(1)
2.  
   barplot(sapply(models,turnover)

带状逻辑很容易实现，增加了收益。

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测