跳至正文
返回文库全部文档

高波动市场回测中的仓位规模与 VaR

文章 arXiv papers · 作者: S. M. Masrur Ahmed
阅读原文

总结

本文探讨交易仓位规模能否在高波动时期帮助控制风险。研究通过历史回测考察仓位模型在危机事件中的表现，尤其关注这些模型能否降低风险价值（VaR）。研究还考虑通过多头和空头头寸管理压力时期的风险敞口。

所述研究结合仓位规模分析与股票及交易所交易基金数据，并提及自回归、ARIMA、LSTM 和 GARCH 模型。节选未说明仓位规则如何定义、模型如何纳入分析，也未说明回测期间和危机事件。文中还未提供 VaR 估计值或表现结果。因此，这段文字提出的是一个研究方向，并未证实任何特定仓位方法能够控制损失；历史结果也取决于相关假设，未必能预测未来危机中的表现。

核心观点

  • 研究通过历史回测评估仓位方法在高波动时期的表现。
  • 研究的核心风险指标是危机事件中的风险价值（VaR）。
  • 研究考虑管理多头和空头头寸规模。
  • 所述数据和建模包括股票、ETF，以及 AR、ARIMA、LSTM 和 GARCH 方法。
  • 节选没有足够的结果或细节来比较仓位规则。

标签

仓位规模回测风险管理波动率股票
全文
# Sizing Strategies for Algorithmic Trading in Volatile Markets: A Study of Backtesting and Risk Mitigation Analysis


# Sizing Strategies for Algorithmic Trading in Volatile Markets: A Study of Backtesting and Risk Mitigation Analysis









Backtest is a way of financial risk evaluation which helps to analyze how our trading algorithm would work in markets with past time frame. The high volatility situation has always been a critical situation which creates challenges for algorithmic traders. The paper investigates different models of sizing in financial trading and backtest to high volatility situations to understand how sizing models can lower the models of VaR during crisis events. Hence it tries to show that how crisis events with high volatility can be controlled using short and long positional size. The paper also investigates stocks with AR, ARIMA, LSTM, GARCH with ETF data.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。