量化策略的模式识别优化方法

发布时间：2020-05-24 23:04

【摘要】：量化投资方法是将现代数学理论和金融数据结合起来的一种全新的投资分析方法,尽管在国外已经有了50余年的发展,但在国内仍属于新兴行业,虽然新兴,但由于借鉴了不少国外的发展经验,其发展非常迅速,传统策略失效迅速,因此如何优化策略,如何管理多策略变得愈发重要。传统方法优化策略组合一般通过参数优化以及风险分析等手段,借助于多样化投资将策略在各个风险上的暴露中性化,从而降低策略的不确定性,调节策略的收益。本文则从另外一个方向出发,借助于模式识别技术,将当前行情的风格进行分类,标记出策略表现良好和表现糟糕的行情段,从而主动地采取相应的策略,对策略进行增强,由于与风险模型独立,与传统的优化方法互补,为构建更加复杂的投资模型给出了新的思路。量化策略最重要的假设是基于未来的行情可以通过历史数据进行预测,基于此,基本面/未来行情也可以假设为是过去的延续,这构成了本文研究的基础。为了利用该假设,首先,本文对行情风格进行了量化的定义,对于行情图形的模式匹配方法建立了几种识别风格的量化方法。之后通过4个简单的传统策略在中国商品期货市场的模拟回测,构建模式识别方法进行优化,确定了通过图形上的模式识别能够在一定范围内正确地预示行情的风格。其次,作者从模式识别方法出发,尝试使用适用性更加广泛的深度学习算法,利用回归模型来进行分类,拓展后的模型能够更为方便地调节参数和结构。最后,作者通过实证分析,将该方法运用到了实际策略中,在中国商品期货市场中回测其策略收益,对比了多个策略,多个参数的模型优化效果,进行了敏感性分析。实证分析表明单个策略可以通过这类方法优化,优化后效果能够显著提升,但该方法在多策略组合上的提升效果则有限。在本文的最后,还对该优化方法的优缺点和适用范围进行了分析,给出了未来该方法的研究建议。
【图文】：

晨星,数据来源,行情

而行情风格的识别可以通过主观投资者对于图形、基本面信息的把握而产生。借助于模式识别技术，将当前行情的风格进行分类，标记出策略表现良好和表现糟糕的行情段，从而主动地采取相应的策略，对策略进行增强，但由于风险模型独立，与传统的优化方法刚好互补，，为构建更加复杂的投资模型给出了新的思路。回到基本假设，通过对大量策略的分析，可以发现一个特征就是策略是由风格的，或者说是行情是有风格的，一段行情中某个策略能够盈利，往往伴随着的是其相关策略也能实现盈利，同样亏损的时候，其相关策略也会亏损，而从逻辑上看这些策略往往没有任何关系，但这样的行情特征却会严重影响到策略的收益。很多投资经历依次为依据推出了“主观+量化”的概念，即在量化的基础上加上人对于行情的主观判断，可见该指标的重要性。量化投资最重要的假设便是——过去的数据能够预测未来的走向。从图形上看，过去产生的行情在未来一定时间内能够延续，这是滞后效应，这是由于市场的参与者需要时间去调节和适应信息所导致的，这条假设不仅能够在在量化投资策略的构建上使用，也被用于本文对于量化策略的优化之上。

策略,边界线,预测价格,交易策略

未来将会下跌。逻辑简单移动，是最常用的量化策略和技术常作为量化从业人员第一个认识的策略。TR 策略，借鉴方兆本(2011)[11], 孙伟(2017)[13]，姚海博(2015）[12]动均线策略的研究报告，ATR(Average True Range)即为平均真实波过去一段时间的波动幅度，常常用作标准差的替代品，因为其保持息，反应更快。ATR 的计算公式如下： = ( , , ) ( ) =∑ R 策略则是基于 ATR，在价格数据的移动平均值上打上一条通道，当者低于下限时，预测价格会回归到中心，由此采取相关仓位操作的ualThrust 是典型的高低边界线型策略，参考魏刚（2012）[10]的研究日的开盘价加减前一日的波动范围 ( ,, , )，由此形成一个硬性边界线，向上突破是下突破是空头行情。一般是作为日内交易策略，但也可以自定义周符合逻辑。
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F832.51

【参考文献】