均值回归策略的发展
均值回归策略是一种老牌的量化投资策略，被广泛应用于股票和期货市场，其发展历史悠久。随着计算机技术和互联网的发展，均值回归策略也得到了更多的改进和完善。比如说，现在的均值回归策略更加灵活，更加具有针对性，更加考虑市场的复杂性。在今天的量化投资领域中，均值回归策略仍然占据了一席之地，并不断得到改进和完善。
ETC七日算力均值达15 TH/s，创年内新高:据欧科云链OKLink数据显示，近一周ETC全网算力均值达到15.01 TH/s，网络难度202.88 T，近24小时增幅分别为11.08%和15.5%，均创下年内新高。
当前ETC网络算力排行前三的矿池分别是etc.ethermine 9217 GH/s，占比38.36%、Ethermine 8577 GH/s，占比35.69%以及BeePool 2458 GH/s，占比10.24%。[2021/5/6 21:29:48]
复杂的模型
数据：比特币内存池7天平均值达到2018年1月以来最高水平:最近几周比特币未确认交易积压大大增加，同时需要花费更长的时间来挖掘区块，因此比特币内存池积压程度大幅提升。数据显示，目前比特币内存池7天平均值现在为67.87兆字节，是自2018年1月以来的最高值。（Decrypt）[2020/5/21]
随着时间的推移，更多的数据和计算能力变得可用，均值回归策略也在不断发展。最初，均值回归策略是基于简单的数学模型，如移动平均线，试图识别资产的价格何时明显偏离其历史均值。
动态 | 近一周比特币搜索指数日均值同比下降45%:据百度指数数据，近7天比特币搜索指数整体日均值为29124，整体同比下降45%，环比下降13%。近7天区块链搜索指数整体日均值为6271，整体同比下降4%，环比下降13%。[2019/1/1]
随着数据可用性的增加，更复杂的模型被开发出来，纳入了更多的因素，如波动性、动量和情绪。这些模型旨在提供一个更全面的市场状况，并更好地识别均值回归的机会。
随着机器学习技术的出现，均值回归策略变得更加复杂。这些模型使用算法来分析大型数据集并识别数据中的模式和关系。这使他们能够对市场行为做出更准确的预测，并更精确地实施交易。
总的来说，均值回归策略的发展是由提高这些交易策略的准确性和可靠性的愿望驱动的。随着技术的不断进步，均值回归策略很可能会继续发展，变得更加有效。
风险平价策略的缺点
1、风险平价策略的实施需要大量的数据和精确的分析，耗费大量的成本和时间，因此，它难以实施。
2、风险平价策略需要比较准确地估计投资组合中每个资产的风险，而这可能是一个棘手的任务，也可能会带来系统性风险。
3、风险平价策略可能会导致投资组合中资产持有量过大，这可能会导致投资组合在市场波动中表现出更大的波动性，从而加大投资者的投资风险。
4、风险平价策略可能会忽视投资者的个性化需求，从而降低投资组合的多样性和灵活性。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。