SPY daglig ARMA–GARCH long/kontant-strategi med positiv prognose

Overfør artiklens regel for prognoser af daglige afkast med ARIMA(p,0,q)-GARCH(1,1) til SPY.USEQ 1-DAY. Bevar daglig parameterestimering og kvartalsvis valg af orden. Baselines er training_bars=756, max_order=5 og order_criterion=AIC. Tilpas fælles gaussisk ARMA-GARCH betinget likelihood på logafkast med et skæringspunkt. Gennemgå p og q fra nul til og med max_order, inklusive (0,0). Initialisér residualhistorikken til nul og den betingede varians til træningsstikprøvens varians; kræv positiv omega, ikke-negativ alpha og beta, alpha+beta<1 samt stationære/invertible ARMA-koefficienter. Ved den første kvalificerende session og den første session i januar, april, juli og oktober vælges ordener efter det laveste informationskriterium; ved lighed foretrækkes lavere p+q og derefter lavere p. Genestimer dagligt den valgte orden på det rullende træningsvindue. Hvis estimeringen mislykkes, genbruges den seneste gyldige model, og dens tilstand opdateres med observerede afkast; forbliv i kontanter, hvis ingen model findes. Implementér ægte estimering af fælles likelihood med NumPy, som er tilladt i sandbox; imports af statsmodels og arch er ikke tilgængelige, og en erstatning, der kun bruger AR, er ikke tro mod kilden. Fortolk kildens DFL=1 som eksponering begrænset til 100% af kontoens NAV, hele aktier og ingen gearing. Risikostyringen består af signalbaseret exit og begrænset positionsstørrelse uden ekstra stop. Handler udføres ved næste sessions åbning i stedet for papirets regnskab til beslutningsprisen. Daglig genestimering af modellen er en del af den fastlagte algoritme; optimeringsvalgte metaparametre forbliver fastfrosne.

En afgrænset profilering af denne præcise kode på det faktiske daglige SPY-katalog identificerer en flaskehals i den beregningstekniske implementering: 29.34 af 30 sekunder blev brugt i calculate_signal/_fit_joint; 28.85 sekunder i _conditional_filter og 27.26 sekunder i _gradient med endelige differenser. Kontrollen af inputbjælker tog 0.22 sekunder. Seks gentagelser af den samme timeout for sandboxens køretid kan ikke afklare dette. Optimér den numeriske implementering (genbrug mellemliggende resultater, brug analytiske afledte eller tilsvarende kompileret/vectoriseret regning, hvor det understøttes), og bevar forskningskontrakten: hver ARMA-kandidat, tilpasningsmålfunktion, kadence for valg/genestimering, opvarmning, datavindue, risikokontroller og handelsregler. Reducér ikke modelgitteret, erstat ikke modellen, lemp ikke konvergenskravene, og ændr ikke de tilpassede parametre blot for at overholde budgettet. Påvis numerisk paritet og signalparitet på repræsentative, faste inputvinduer. Hvis ingen troværdig implementering er mulig, skal du returnere en struktureret forklaring på blokeringen i stedet for endnu en identisk, dyr indsendelse. Dette er en kodereparation, ikke evidens for, at strategien ikke har en fordel.