设置策略属性

一个backtestStrategy对象有几个属性,使用参数设置backtestStrategy函数。

最初的重量

的InitialWeights属性包含的资产分配权重,val的开始。的默认值InitialWeights是空的([]),这表明战略开始,val闲置,这意味着100%的现金资本赚取无风险利率。

设置InitialWeights到一个特定的资产配置。初始权值向量的大小必须匹配,val的资产数量。

与30重量%初始化策略,因为,val%的数据来自一年30吗股票。numAssets = 30;%给这两种策略的初始权重相等的权重。权重%总和必须为1完全投入。numAssets initialWeights = 1 (1);initialWeights = initialWeights /笔(initialWeights);

交易成本

的TransactionCosts属性允许您设置的费用支付交易资产的策略。支付交易成本占总每个资产的位置变化。在十进制指定成本百分比。例如,如果TransactionCosts设置为1% (0.01)和策略购买价值100美元的股票,然后交易费用是1美元。

交易成本设置使用1——- - - - - -2向量集单独收费标准购买和出售资产。在这个例子中,这两种策略同样支付交易成本——25个基点资产购买和销售50个基点。

%的交易成本定义为[buyCosts sellCost)和指定的成本%为十进制百分比。tradingCosts = (0.0025 - 0.005);

你也可以设置TransactionCosts属性函数处理如果你需要实现任意复杂的交易成本结构。在创建交易成本函数的更多信息,见backtestStrategy。

调整频率

的RebalanceFrequency属性决定了多久,val引擎调整和再分配的投资组合策略使用平衡功能。设置RebalanceFrequency在val的时间步骤。例如,如果val引擎测试策略与一组每日价格数据,然后设置平衡函数在天。从本质上讲,RebalanceFrequency代表之间的价格数据处理的行数每个调用策略平衡功能。

%这两种策略平衡每4周(20天)。rebalFreq = 20;

Lookback窗口

每次val引擎调用策略平衡函数,资产价格数据的窗口(也可能是信号数据)传递给平衡功能。平衡功能可以使交易和分配的决定基于滚动窗口的市场数据。的LookbackWindow属性集这些滚动窗口的大小。设置窗口的时间步骤。窗口确定的行数的数据从资产价格时间表传递到平衡的功能。

的LookbackWindow属性可以设置在两个方面。一个固定大小的滚动窗口的数据(例如,“50天的价格历史”),LookbackWindow属性设置为一个标量值(N=50)。软件然后调用平衡功能与价格包含确切时间表N行价格数据。

或者,您可以定义LookbackWindow属性使用1——- - - - - -2向量(最小最大)指定的最小和最大尺寸扩大窗口的数据。通过这种方式,您可以设置灵活的窗口大小。例如:

软件不调用平衡函数如果数据不足以创建一个有效的滚动窗口,无论的价值RebalanceFrequency财产。

如果策略不需要任何价格或信号数据的历史,那么你就可以表明,平衡函数不需要数据通过设置LookbackWindow财产0。

% =重量策略不需要任何价格历史数据。ewLookback = 0;%的“追逐回报”战略决策的基础落后% 10天的资产回报。lookback窗口设置为11因为计算10天%的回报要求价格从第0天关闭。chaseLookback = 11;

平衡功能

平衡函数(rebalanceFcn)是user-authored包含策略的逻辑函数。val引擎调用策略平衡函数用一组固定的参数,并希望它返回一个向量的资产权重代表新的、理想的投资组合分配平衡。有关更多信息,请参见平衡功能。

创建策略

使用准备战略属性,您可以创建两个策略对象。

%建立平等加权策略。平衡功能@equalWeights%是在平衡中定义的函数部分的这个例子。equalWeightStrategy = backtestStrategy (评级“持股观望上调为增持”@equalWeight,…“RebalanceFrequency”rebalFreq,…“TransactionCosts”tradingCosts,…“LookbackWindow”ewLookback,…“InitialWeights”initialWeights)

评级equalWeightStrategy = backtestStrategy属性:名称:“持股观望上调为增持”RebalanceFcn: @equalWeight RebalanceFrequency: 20 TransactionCosts: [0.0025 - 0.0050] LookbackWindow: 0 InitialWeights: [0.0333 0.0333 0.0333 0.0333 0.0333 0.0333……]

%创建“追逐回报”战略。平衡功能% @chaseReturns平衡功能部分中定义的例子。chaseReturnsStrategy = backtestStrategy (“ChaseReturns”@chaseReturns,…“RebalanceFrequency”rebalFreq,…“TransactionCosts”tradingCosts,…“LookbackWindow”chaseLookback,…“InitialWeights”initialWeights)

chaseReturnsStrategy = backtestStrategy属性:名称:“ChaseReturns”RebalanceFcn: @chaseReturns RebalanceFrequency: 20 TransactionCosts: [0.0025 - 0.0050] LookbackWindow: 11 InitialWeights: [0.0333 0.0333 0.0333 0.0333 0.0333 0.0333……]

设置,val引擎

val两种策略,使用backtestEngine对象。val的val引擎设置参数,适用于所有的策略,如无风险利率和初始投资组合价值。有关更多信息,请参见backtestEngine。

%为backtestEngine创建数组的策略。策略= [equalWeightStrategy chaseReturnsStrategy];%创建val引擎测试这两种策略。val = backtestEngine(策略);

平衡功能

策略定义平衡函数使用rebalanceFcn理由backtestStrategy必须坚持一个固定的API, val引擎预计交互时,每个策略。平衡功能必须实现以下两个语法之一:

函数new_weights = exampleRebalanceFcn (current_weights assetPriceTimeTable)函数new_weights = exampleRebalanceFcn (current_weights assetPriceTimeTable signalDataTimeTable)

所有平衡功能将作为他们的第一个输入参数的当前分配权重组合。current_weights代表了资产配置调整前发生。在调整期间,您可以使用current_weights以多种方式。例如,您可以使用current_weights确定投资组合分配多少已从目标分配或转移至交易规模在平衡限制营业额。

第二个和第三个参数调整函数的语法是资产价格和可选的滚动窗口信号数据。这两个表包含落后N行资产和信号传递给的时间表runBacktest函数,N设置使用LookbackWindow每种策略的属性。

如果可选信号数据的提供runBacktest滚动窗口函数,那么,val引擎传递的信号数据,每个策略支持。金宝app

的equalWeight策略简单投资同样在所有资产。

函数评级new_weights =持股观望上调为增持(current_weights assetPrices)% #好< INUSD >%同样在所有资产投资。num_assets =元素个数(current_weights);num_assets new_weights = 1 (1) / num_assets;结束

的chaseReturns战略投资只在顶部X股票基于他们在lookback窗口滚动的回报。这个天真的策略是使用简单的作为一个说明性的例子。

函数new_weights = chaseReturns (current_weights assetPrices)%设置数量的股票投资。numStocks = 15;%计算轧制返回从lookback窗口。rollingReturns = assetPrices {,,}。/ assetPrices {1,};%选择X表现最好的股票/ lookback窗口[~,idx] =排序(rollingReturns,“下”);bestStocksIndex = idx (1: numStocks);%初始化新的权重为零。new_weights = 0(大小(current_weights));%同样顶部进行股票投资。new_weights (bestStocksIndex) = 1;new_weights = new_weights /笔(new_weights);结束