原文链接：http://tecdat.cn/?p=18984 

 

现在，分位数回归已被确立为重要的计量经济学工具。与均值回归（OLS）不同，目标不是给定x的均值，而是给定x的一些分位数。您可以使用它来查找具有良好上升潜力的股票。您可能会认为这与股票的beta有关，但是beta与OLS相关，并且是对称的。如果市场出现上涨，高beta股票将获得上行波动的收益，但对称地，当市场下跌时，您可能会遭受巨额亏损。

使用下图最好地理解分位数回归的用法：

绘制的是股票收益。蓝线是OLS拟合值，红线是分位数（80％和20％）拟合值。

在上部面板中，您可以看到，当市场上涨时（X轴上的正值很高），Y轴上的分散很大。当市场下跌时，相对的分散程度而言较大。在底部面板中，情况相反。当市场上涨时，您“非常了解”股票会发生什么，但是当市场处于下跌时，股票收益的不确定性就会降低。考虑到其他因素，您希望投资组合中包含高位股票。当市场上涨时，它们收益很好，但同时在下跌的过程中提供相对的确定性。

以下代码读取股票行情，并找到最佳比率，即：上行时分散度高，而下行时分散度低：

dat0 = getSymbols(sy[1], src="yahoo", from=start, to=end, 
 auto.assign = F, warnings = FALSE,symbol.lookup = F)

#查询最近365天：
dat <- gtint(sym = c(tickers,"SPY"),365) 
# 将样品划分成两部分


ins <- n/2
# 在0.2和0.8之间查找斜率 


Tau = c(.2,.8)

for (j in 1:(l-1)
for (i in 1:length(Tau)
  qslope[i,j] = rq(dat$ret[2:ins,j~dat$ret[2:ins,l, tau = Tau[i])$coef[2]

 
# 确定哪些股票有用：



dat$ret <- dat$ret[,rat0<2 & rat0>(-2)]
 
## 画图

plot(dat$ret[1:ins,which.max(rat)]~dat$ret[1:ins,l]
 
plot(dat$ret[1:n,which.min(rat)]~dat$ret[1:n,l],
title(nam)

我们使用样本的前半部分来选择我们要使用的股票。假设我们以最差的比率做空股票，并以最佳的比率做多股票。

dat$p <- dat$p[,rat0<2 & rat0>(-2)]
plot(dat$p[1:ins,l]/dat$p[1,l], ty = "l", ylim = c(.8,1.5),

plot(dat$p[ins:n,l]/dat$p[ins,l], ty = "l", ylim = c(.8,1.5), xlab = "样本外时期",)

从结果可以看到模型有较好的表现。

---

 

最受欢迎的见解

1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用

2.R语言GARCH-DCC模型和DCC（MVT）建模估计

3.R语言实现 Copula 算法建模依赖性案例分析报告

4.R语言COPULAS和金融时间序列数据VaR分析

5.R语言多元COPULA GARCH 模型时间序列预测

6.用R语言实现神经网络预测股票实例

7.r语言预测波动率的实现：ARCH模型与HAR-RV模型

8.R语言如何做马尔科夫转换模型markov switching model

9.matlab使用Copula仿真优化市场风险

标签：plot,语言,股票,潜力,ret,ins,dat,位数,筛选
来源： https://blog.51cto.com/u_15198753/2769921