TUTORIAL FINANZA QUANTITATIVA

In un precedente articolo abbiamo descritto una strategia di trading basata sull’applicazione dei modelli ARIMA e GARCH delle serie temporali ai dati giornalieri dell’S&P500 e abbiamo preannunciato, così come negli altri articoli della serie sull’analisi delle serie temporali, l’uso di questi modelli nelle strategie di trading mean-reverting e come costruirli. In questo articolo introduciamo un […]

Nel precedente articolo relativo all’analisi delle serie temporali abbiamo descritto l’importanza della correlazione seriale e della sua utilità nel contesto del trading quantitativo. In questo articolo vediamo come usare la correlazione seriale all’interno dei primi modelli di analisi delle serie temporali, inclusi alcuni semplici modelli stocastici lineari. In particolare, descriviamo il White Noise e Random Walks. Obiettivo

Una tecnica di quant trading prevede di considerare due asset che hanno una relazione di cointegrazione e l’utilizzo di un approccio mean-reverting per costruire una strategia di trading. Questo può essere effettuato eseguendo una regressione lineare tra i due asset (come una coppia di ETF) e utilizzare la regressione per determinare la quantità di ciascuna

Finora negli articoli di  tradingquant.it relativi all’analisi delle serie temporali abbiamo considerato alcuni modelli lineari di serie temporali tra cui ARMA, ARIMA e il modello GARCH per l’eteroschedasticità condizionata. In questo articolo descriviamo le basi teoriche dei modelli dello spazio degli stati, il  cui principale vantaggio  è capacità dei loro parametri  di adattarsi nel tempo. I modelli dello

In questo articolo descriviamo il modello Autoregressivo Generalizzato a eteroschedasticità condizionata di ordine p,q, noto come GARCH(p,q) . Il GARCH è ampiamente utilizzato nel settore finanziario poiché molti prezzi delle attività sono eteroschedastici condizionali. Di seguito approfondiamo l’eteroschedasticità condizionale, introducendo il più semplice modello di eteroschedasticità condizionata, noto come ARCH. Quindi vediamo le estensioni del modello ARCH, introducendo il modello GARCH.

Nella precedente serie di articoli (Parti 1 , 2 e 3 ) abbiamo approfondito in modo significativo i modelli di serie temporali lineari AR(p), MA(q) e ARMA(p,q). Abbiamo utilizzato questi modelli per generare set di dati simulati, modelli adattati per recuperare i parametri e quindi applicare questi modelli ai dati delle azioni finanziarie. In questo articolo introduciamo un’estensione del modello

Questo è il terzo e ultimo post della miniserie sui modelli Autoregressive Moving Average (ARMA) per l’analisi delle serie temporali. Abbiamo introdotto i modelli autoregressivi e i modelli a media mobile nei due articoli precedenti. Ora è il momento di combinarli per produrre un modello più sofisticato. In definitiva, questo ci porterà ai modelli ARIMA e GARCH che ci permetteranno di

Nella 1° Parte di questo articolo abbiamo  descritto il modello autoregressivo di ordine p, noto anche come modello AR(p). Lo abbiamo introdotto come un’estensione del modello della random walk nel tentativo di spiegare una correlazione seriale aggiuntiva nelle serie temporali finanziarie. Alla fine ci siamo resi conto che non era sufficientemente flessibile per catturare veramente

Nell’ultimo articolo abbiamo esaminato il White Noise e Random Walk come modelli base di serie temporali per determinati strumenti finanziari, come i prezzi giornalieri delle azioni e degli indici azionari. Abbiamo scoperto che in alcuni casi un modello di Random Walk non è sufficiente per catturare l’intero comportamento di autocorrelazione dello strumento. Per questo motivo