スプレッド取引とScikit-LearnによるCTAシグナル分析
記事 vn.py community
サマリー
このイベント告知では、先物と現物・先物スプレッド取引、およびCTAシグナル開発のための機械学習手法という2つの学習テーマを紹介しています。スプレッドのテーマでは、関連する契約間の価格差を分析し、適切な組み合わせを探し、スプレッドの時系列をモデル化して、スプレッド・グリッド戦略を構築する方法を説明しています。また、VeighNaのスプレッド取引モジュールにある執行方法と設定機能も取り上げています。
機械学習のテーマでは、特徴量分析とシグナル調査にScikit-Learnを使う方法を提案しています。内容にはKBinsクラスタリング、特徴量相関ヒートマップ、ベクトル化したパフォーマンス分析、イベント駆動型バックテストが含まれます。また、ポートフォリオ構築で平均回帰型のスプレッド戦略とトレンドフォロー型のCTA戦略を組み合わせる案にも触れています。この文書は対面イベントの概要であり、詳しいチュートリアルではありません。戦略仕様、バックテスト結果、データの詳細、提案手法の収益性を示す証拠はありません。相対的なリスクやパフォーマンスについての主張も、定量分析に裏付けられていません。
主なアイデア
- スプレッド取引では、関連する先物契約または現物と先物の価格差に注目します。
- 提案されている手順には、スプレッドのペア選定、時系列のモデル化、スプレッド・グリッド戦略の実装が含まれます。
- イベントでは、VeighNaの取引モジュールにある執行ツールと設定可能なスプレッド・アルゴリズムを紹介しています。
- Scikit-Learnは、特徴量分析とクラスタリングによるCTAシグナル調査のツールとして紹介されています。
- 告知では平均回帰戦略とトレンドフォロー戦略の組み合わせを提案していますが、パフォーマンスの根拠は示されていません。
タグ
この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。