SH專區 - Dynamic Time Warping(動態時間規劃) 2

在這一篇文章中，我們介紹兩個基本的方式來改進DTW的速度和準確性：warping constraint 和 z-normalization。

以及在金融數據上pattern的辨識與預測的簡單應用。

• Warping constrain

首先，讓我們先定義 warping constraint： 所謂的warping constraint就是我們的DTW路徑允許偏離對角線的程度。如下圖所示，warping constraint w = r/n （或是可以直接定義成 w = r）

Sakoe-Chiba Band

Source: Abdullah Mueen, Eamonn J. Keogh: Extracting Optimal Performance from Dynamic Time Warping. KDD 2016: 2129-2130

這個 w 有兩個作用：1. 加速整個演算法，2. 增加準確性

SH專區 - Dynamic Time Warping(動態時間規劃) 1

在接下來的一系列文章裡，我們希望能討論一個演算法：Dynamic Time Warping (動態時間規劃）以及其在金融交易中可能的應用。

這一系列的文章，都是我們的自學筆記，所以如果有理解錯誤或是疏漏的地方，請大家不吝告訴我們。

好了，進入主題吧。第一篇文章中，我們先簡單介紹一下DTW算法。

---

• 什麼是Dynamic Time Warping？

Dynamic Time Warping (動態時間規劃）本質上是一個 dynamic optimization 的問題，所尋找的是兩個序列之間的「最近距離」。

距離，不就只是 這樣？

是的，這就是我們一般常用的Euclidean distance。那麼，我們為什麼還需要DTW?

海外期貨近遠月價差與回測

介紹:

期貨最開始是為了規避風險而誕生，但亦具備了價格發現與投機的功能。買賣雙方透過簽訂合約，同意按指定的時間、價格與其他交易條件，交收指定數量的現貨。通常期貨集中在期貨交易所，以標準化合約進行買賣。

一般來說，持有原物料商品現貨需要一定的成本，譬如倉儲、運輸成本等。但是持有期貨契約只要付出保證金，並不需要其它的支出，於是期貨與現貨之間便產生了差距。

而不同的期貨商品，根據本身的品供需/季節性生產性質，以及市場參予者組成不同，會有不同的避險結構(空頭避險,多頭避險)，最後加上大家對商品價格未來的預期，而產生不同的Term Structure。

商品期貨:

原物料若不考慮別的因素，在持有成本及運輸成本的因素下，通常是正向市場，呈現正價差(Contango)

#可可

全球期貨市場-訊號雜訊比(Efficiency Ratio)統計

Efficiency Ratio of Price

衡量價格走勢乾淨程度

統計全球46個期貨市場

---

#20天訊雜比 - 2006~2016平均

開盤缺口交易策略 - Opening Gap Strategy (續 - MC驗證)

在上篇開盤缺口交易策略 - Opening Gap Strategy中，回測所使用的為Python以及日線的資料

以下使用Multicharts及分線的資料進行簡單的驗證

以下回測使用eSignal分線資料(Back-Adjusted Continuous Contract)

交易成本 : 口數*兩個跳動點 (單邊)

交易口數 : Signal *  ( W / ATR )  ( W = 3000 )

回測商品: FDAX-EUX、FGBL-EUX (挑選原本績效較好的出來驗證)

Python+日線回測: