σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Roteiro de Hidden Markov Models›Módulo 3 · Regimes de mercado›Tópico 3.4·~1 h 40 minAvançado

Projeto final: um detector de regimes de alta baixa e crise em dados de índice

Posição no roteiroMódulo 3 de 3 · Tópico 4 de 4
3.4 Projeto final: um detector de regimes de alta baixa e crise em dados de índice
—Nota do lab— / 100XP total—Sequência—

Um detector de regimes que você mesmo constrói

Neste projeto final você constrói um modelo oculto de Markov só com NumPy e o executa em vinte anos de SPY. O modelo diz que a cada dia o mercado está em um de três regimes ocultos, calmo, normal ou tempestuoso, que você nunca vê. Cada regime tem seu retorno e sua volatilidade típicos, e o regime de amanhã depende só do de hoje por uma matriz de transição A. A passagem para frente transforma os retornos numa probabilidade para cada regime a cada dia. Uma passagem para trás acrescenta o que os dias seguintes dizem. Viterbi acha o único caminho mais provável. Baum-Welch repete esses passos para aprender os números dos regimes a partir dos dados.

αₜ=((αₜ₋₁A)·Bₜ)/cₜ, βₜ=(A (Bₜ₊₁·βₜ₊₁))/(cₜ₊₁), γₜ=(αₜ·βₜ)/(Σ(αₜ·βₜ)), log L=Σₜlog cₜ

Tudo é escalado. Dividir os números da passagem para frente de cada dia pela sua soma cₜ impede que encolham até zero ao longo de milhares de dias, e a soma dos log cₜ é exatamente a log-verossimilhança. Viterbi trabalha com logaritmos pelo mesmo motivo. Na etapa de Baum-Welch as probabilidades suavizadas γ servem de pesos: a média e a volatilidade de cada regime são a média ponderada e a dispersão ponderada dos retornos, e as contagens de transição vêm da probabilidade de passar de i a j a cada dia. Cada rodada só pode aumentar a log-verossimilhança, o que é um bom teste do seu código. Na última função você usa os regimes ajustados para operar: um sinal prevê a probabilidade de crise a partir do dia anterior (honesto) e o outro a lê das probabilidades suavizadas (com olhar adiante).

O que dizem os dados reaisNos 5 404 retornos do SPY desde 2005, quarenta rodadas a partir de um começo grosseiro encontram três regimes com volatilidades anuais de cerca de 8%, 19% e 51%. Suas médias anuais são de cerca de +30%, -1% e -73%, e cada regime é muito pegajoso: fica onde está em cerca de 96% a 97% dos dias. A log-verossimilhança sobe de cerca de 17 544 para 17 803. Ao longo do caminho de Viterbi o mercado passa cerca de 52% dos dias no regime calmo, 41% no normal e 6% no de crise. Ficar investido só enquanto a probabilidade de crise está abaixo de meio dá um índice de Sharpe anual de 0,52 para comprar e manter, 0,66 para o sinal filtrado honesto e 1,12 para o suavizado. Essa última diferença é a armadilha do olhar adiante em ação.
  • Escale cada passo: divida pela soma do dia e some os logaritmos, ou milhares de dias caem a zero.
  • Confira por força bruta: em poucos dias dá para listar todos os caminhos de estados e comparar. A log-verossimilhança nunca pode cair de uma rodada para outra.
  • Só sinais honestos: preveja amanhã com as probabilidades filtradas de hoje. As suavizadas lisonjeiam o backtest.
Simplificações para lembrarOs retornos dentro de um regime são tratados como normais e independentes, o que ignora caudas grossas. O número de regimes é fixado em três. O modelo é ajustado uma vez na amostra toda, então até o sinal filtrado honesto usa números aprendidos do futuro. Um teste rigoroso reajusta só com o passado e inclui custos de operação. O limiar de meio não é otimizado.

Lab: o que é avaliado

  • Probabilidades de emissão10 pts
  • O algoritmo para frente20 pts
  • O algoritmo para trás10 pts
  • A suavização5 pts
  • A decodificação de Viterbi15 pts
  • O ajuste de Baum-Welch25 pts
  • O estudo de regimes15 pts
Explorador · lab-hm-10
▾ lab-hm-10
▾ data
…
bash · no navegador
learner@quantcraft:~/lab-hm-10$
Python ainda não carregadoPythonLn 1, Col 1Spaces: 4UTF-8

Redefinir este tópico?

Tudo em lab-hm-10 volta aos arquivos iniciais e o terminal é limpo. Sua solução atual será perdida — isso não pode ser desfeito.

Será redefinido
  • main.py → código inicial
  • Histórico do terminal e saída dos testes
  • Alterações não enviadas
Será mantido
  • Melhor nota do lab
  • Seu XP e sua sequência
  • Progresso da aula e anotações

Entre para executar o seu código.

Todas as aulas são gratuitas para ler. Crie uma conta ou entre para executar código, rodar os testes e enviar este lab.

  • IDE no navegador com terminal bash — nada para instalar
  • Correção instantânea, XP e o seu lugar no roteiro
Criar uma contaEntrar
OU
Continuar com o GitHub