Quant Statistics

• Sinun täytyy varmistaa, onko hinta- tai faktoriaikasarja stationaarinen ennen regressioiden ajamista tai mallien rakentamista, jotta vältät vääriä tuloksia.
• Tutkit pareiskaupankäyntiä tai tilastollista arbitraasia ja sinun täytyy testata kointegraatiota sekä laskea suojaussuhteet ja keskiarvoon palautumisen puoliajat.
• Validoit strategian Sharpe-lukua tai alfaa bootstrap-luottamusvälien avulla selvittääksesi, onko suorituskyky tilastollisesti merkitsevä eikä johdu sattumasta.
• Diagnosoit OLS-regressiota heteroskedastisuuden, autokorrelaation tai multikollineaarisuuden varalta ennen faktorialtistusten tai riskimallin tulosten tulkintaa.

• Tarvitset pelkästään kuvailevaa tai eksploratiivista datayhteenvetoa (keskiarvot, korrelaatiot, histogrammit) ilman mitään päätelmiä tai aikasarjatestausta — yksinkertaisemmat työkalut riittävät.
• Työnkulkusi on reaaliaikainen, korkean frekvenssin signaalintuotanto, jossa GARCH- tai bootstrap-laskelmat ovat liian hitaita vaadittuun viiveeseen nähden.
• Työskentelet hyvin lyhyiden datahistorioiden kanssa (alle muutama kymmenen havaintoa), jolloin ADF-, GARCH- ja Ljung-Box-testien taustalla olevat asymptoottioletukset eivät välttämättä pidä luotettavasti paikkaansa.

Suorittaa laajennetun Dickey-Fuller-testin mille tahansa aikasarjalle ja palauttaa testisuureen, p-arvon, käytettyjen viiveiden määrän sekä 1 %/5 %/10 % kriittiset arvot. Selkeät päätössäännöt yhdistävät p-arvoalueet käytännön johtopäätöksiin — käytä sarjaa suoraan, differensoi se tai sovella kointegraatiomenetelmiä.

Testaa, jakavatko kaksi ei-stationaarista aikasarjaa pitkän aikavälin tasapainon, laskee OLS-suojaussuhteen, muodostaa spreadin ja estimoi keskiarvoon palautumisen puoliintumisajan. Z-pistekynnyksistä osto- ja myyntisignaaleille on rakennettu suoraan tulostukseen, mikä tarjoaa tilastollisen perustan parisijoittamiselle.

Sovittaa GARCH(1,1)-mallin arch-kirjaston avulla ja palauttaa arvot ω, α, β, persistenssin, pitkän aikavälin volatiliteetin, nykyisen ehdollisen volatiliteetin sekä 5 päivän eteenpäin suuntautuvan volatiliteettiennusteen AIC/BIC-arvojen kera. Ohjeet EGARCH- ja GJR-GARCH-varianteista kattavat epäsymmetriset vipuvaikutukset, jotka ovat yleisiä osake- ja kryptomarkkinoilla.

Suorittaa White- ja Breusch-Pagan-heteroskedastisuustestit, Durbin-Watson- ja Ljung-Box-autokorrelaatiotestit sekä VIF-multikollineaarisuustarkistukset yhdessä työnkulussa. Jokainen testi palauttaa tulkinnan sekä konkreettisen korjaussuosituksen (esim. HAC/Newey-West-keskivirheet tai WLS).

Laskee luottamusvälit mille tahansa tilastolliselle suureelle — Sharpe-luku, alfa, maksimitappio-jakauma — uudelleenotoannalla ilman jakaumaolettamuksia. Erillinen bootstrap_sharpe-funktio ilmoittaa, sulkeeko 95 %:n luottamusväli nollan pois, tarjoten vankan merkitsevyystestin strategian suorituskyvylle.

Tarjoaa nopean hakutaulukon testeistä, jotka on yhdistetty yleisiin kvantitatiivisiin kysymyksiin, ja soveltaa Benjamini-Hochberg FDR -korjausta statsmodels.stats.multitest-kirjaston avulla arvioitaessa useita tekijöitä tai strategioita samanaikaisesti. Sisäänrakennetut nyrkkisäännöt yhdistävät Sharpe-luvun suuruuden ja backtestin pituuden tilastollisen merkitsevyyden kynnysarvoihin.

Testaa kahden osakkeen tai ETF:n hintasarjan kointegraatio, arvioi suojaussuhde ja leviämisen puoliintumisaika sekä generoi z-pistepohjaisia osto- ja myyntisignaaleja. Jatkuva kointegraation seuranta on tuettu suhteiden hajoamisen havaitsemiseksi.

Sovella stationaarisuustestejä raakoihin faktorisarjoihin, diagnosoi faktori-tuotto-regressiot heteroskedastisuuden ja autokorrelaation varalta, ja käytä bootstrap-pohjaisia Sharpen luottamusvälejä FDR-korjauksella erottaaksesi aidot faktoripremiot tilastollisesta kohinasta laajan faktoriavaruuden yli.

Sovita GARCH(1,1) tai asymmetriset variantit tuottosarjoihin ehdollisten volatiliteettiarvioiden ja lyhyen aikavälin ennusteiden saamiseksi. Tuloksena saadut parametrit ja pitkän aikavälin volatiliteettitasot syötetään suoraan positiomitoitus- tai optiohinnoittelutyönkulkuihin.

Suorita koko regressiodiagnostiikan tarkistuslista — lineaarisuus, normaalisuus, heteroskedastisuus, autokorrelaatio, multikollineaarisuus ja poikkeavat havainnot — ennen minkään OLS-pohjaisen faktorimallin tulkintaa, jotta vakiovirheet ja t-tilastot ovat luotettavia.