本文帮助客户研究期货套利。研究主要以期货及其现货指数的数据为样本,真正恢复了市场,提高了研究的准确性。
相关视频
统计套利策略
Bondarenko、Lien&Luo、Tse发现协调关系是期货价格和现货价格之间非常重要的关系。Burgess(199对英国富时100指数期货进行实证研究,基于协调关系的统计套利模型,取得了良好的效果。
无套利区间模型:
参数意义:
数据取值:
取10个交易日,华泰柏瑞30OETF现货,做成这样的样子。
rs=0.028
r1=0.056
d=0.022842
TE=0.001373
Mf=0.1
Cs1=0.02*0.01
Fs1= 0.0173*0.01
Cs2= 0.3698*0.01
Fs2= 0.0265*0.01
Cs3= 0.3698*0.01
Fs3 =0.0265*0.01
期货数据:
读取数据
head(data)
## 日期 开盘价(元) 最高价(元) 最低价(元) 收盘价(元) 成交额(百万)
## 1 40484.40 2515.82 2517.14 2509.18 2511.86 10352.92
## 2 40484.40 2512.48 2521.34 2512.06 2521.34 6220.21
## 3 40484.41 2521.41 2522.15 2514.64 2514.74 6700.37
## 4 40484.41 2514.57 2514.57 2511.49 2513.30 4455.17
## 5 40484.41 2513.39 2515.53 2513.31 2514.45 3821.64
## 6 40484.42 2514.35 2519.64 2514.23 2519.64 4778.68
## 成交量(股票)
## 1 1353244240
## 2 842527307
## 3 874920739
## 4 593051008
## 5 488534018
## 6 717302833
无套利区间模型
#上限
t=1
T=t 16
S=data$`收盘价(元)`
upp=S[t]*((Css Cfb TE)*exp(rs-d)*(T-t) (1 Csb TE)*exp(r1*(T-t))-exp(d*(T-t)))/(1 Mf-(Mf Cfs)*exp(r1*(T-t)))
#下限
lower=S[t]*(exp(d*(T-t)-(2 Csb-Cfs TE)*exp(rs-d)*(T-t) (1-Css-TE)*exp(rs*(T-t)) ))/(1-Mf (Mf Cfb)*exp(rs*(T-t)))
研究10个交易日
for(t in 1:(nrow(data))){
#上限
T=t 13.575
S=data$`收盘价(元)`
((Css Cfb TE)*exp(rs-d)*(T-t) (1 Csb TE)*exp(r1*(T-t))-exp(d*(T-t)))/
#下限
T=t 0.506
(exp(d*(T-t)-(2 Csb-Cfs TE)*exp(rs-d)*(T-t) (1-Css-TE)*exp(rs*(T-t))))
点击标题查阅往期内容
Python配对交易策略统计套利量化交易分析股市
左右滑动查看更多
统计结果
stragedy=result$“市场价” >=result$“无套利区间上限”
stragedy[stragedy== "TRUE""""""""
index=result$“市场价” <=result$“无套利区间下限”
stragedy[index== "TRUE"]="反向套利"
stragedy[stragedy== "FALSE"]="0"
统计正套利和反套利机会的数量和回报率。
研究18个交易日,改变存贷款利率参数。画一个形状。统计正套利和反套利机会的数量和收益率。
#参数取值
rs=0.0255
r1=0.056
#无套利区间模型
#上限
t=1
T=t 16
S=data$`收盘价(元)`
upp=S[t]*((Css Cfb TE)*exp(rs-d)*(T-t) (1 Csb TE)*exp(r1*(T-t))-exp(d*
6月9个交易日,存贷款利率参数发生变化。画一个形状。统计积极套利和反向套利机会的数量和收益率。
lower=numeric(0)
for(t in 1:(nrow(data))){
#上限
T=t 11.875
S=data$`收盘价(元)`
((Css Cfb TE)*exp(rs-d)*(T-t) (1 Csb TE)*exp(r1*(T-t))-exp(d*(T-t)))/
11月,9个交易日,存贷款利率参数发生变化。画出形状,统计正反套利机会的数量和收益率。
文章为作者独立观点,不代表股票配资公司观点