亚洲一区人妻,久久三级免费,国模少妇无码一区二区三区,日韩av动漫

國(guó)內(nèi)或國(guó)外 期刊或論文

您當(dāng)前的位置:發(fā)表學(xué)術(shù)論文網(wǎng)經(jīng)濟(jì)論文》 基于低頻分量EEMD-SVR預(yù)測(cè)建模的指數(shù)擇時(shí)策略> 正文

基于低頻分量EEMD-SVR預(yù)測(cè)建模的指數(shù)擇時(shí)策略

所屬分類:經(jīng)濟(jì)論文 閱讀次 時(shí)間:2022-01-24 10:36

本文摘要:摘要:以機(jī)器學(xué)習(xí)為基礎(chǔ)設(shè)計(jì)高效的股票擇時(shí)策略是量化投資領(lǐng)域的研究熱點(diǎn)。文章結(jié)合集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和-不敏感支持向量回歸(SVR)的優(yōu)勢(shì),提出基于EEMD-SVR的指數(shù)低頻分量預(yù)測(cè)模型,進(jìn)而構(gòu)建基于低頻分量趨勢(shì)預(yù)測(cè)的滬深300指數(shù)擇時(shí)策略。首先,對(duì)滬深300指數(shù)進(jìn)行E

  摘要:以機(jī)器學(xué)習(xí)為基礎(chǔ)設(shè)計(jì)高效的股票擇時(shí)策略是量化投資領(lǐng)域的研究熱點(diǎn)。文章結(jié)合集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和ε-不敏感支持向量回歸(SVR)的優(yōu)勢(shì),提出基于EEMD-SVR的指數(shù)低頻分量預(yù)測(cè)模型,進(jìn)而構(gòu)建基于低頻分量趨勢(shì)預(yù)測(cè)的滬深300指數(shù)擇時(shí)策略。首先,對(duì)滬深300指數(shù)進(jìn)行EEMD分解,剔除高頻IMFs后利用低頻IMFs和趨勢(shì)項(xiàng)重構(gòu)指數(shù)低頻分量;其次,運(yùn)用ε-不敏感SVR構(gòu)建低頻分量預(yù)測(cè)模型;然后,根據(jù)低頻分量預(yù)測(cè)結(jié)果制定交易信號(hào)生成規(guī)則,構(gòu)建滬深300指數(shù)擇時(shí)策略;最后,對(duì)構(gòu)建的策略和MACD等多種擇時(shí)策略進(jìn)行對(duì)比評(píng)估,結(jié)果表明:構(gòu)建的策略能更高效地把握指數(shù)的中長(zhǎng)期主要趨勢(shì),在收益獲取與風(fēng)險(xiǎn)控制等方面的表現(xiàn)顯著超越了對(duì)照策略。

  關(guān)鍵詞:滬深300指數(shù);量化擇時(shí)策略;集合經(jīng)驗(yàn)?zāi)B(tài)分解;支持向量回歸;低頻分量

預(yù)測(cè)建模

  0引言

  量化投資通過(guò)構(gòu)建定量方法和模型來(lái)認(rèn)知和刻畫金融市場(chǎng)的發(fā)展變化規(guī)律,進(jìn)而預(yù)測(cè)市場(chǎng)的走勢(shì),發(fā)現(xiàn)套利機(jī)會(huì),并通過(guò)計(jì)算機(jī)技術(shù)代替人執(zhí)行交易決策、風(fēng)險(xiǎn)管控等復(fù)雜的投資操作,有效克服了傳統(tǒng)人工投資方式難以規(guī)避的經(jīng)驗(yàn)、情感和精力等方面的缺陷,從而獲得較傳統(tǒng)投資方式更出色的風(fēng)險(xiǎn)收益表現(xiàn)[1]。投資擇時(shí)依靠投資者對(duì)資產(chǎn)價(jià)格趨勢(shì)的有效預(yù)判,選擇適當(dāng)?shù)臅r(shí)機(jī)買賣資產(chǎn),以實(shí)現(xiàn)規(guī)避風(fēng)險(xiǎn)、獲取超額收益的目標(biāo)[2]。股市指數(shù)量化擇時(shí)是主動(dòng)型量化投資研究的重要問(wèn)題,其核心在于如何高效地預(yù)測(cè)指數(shù)價(jià)格的變化趨勢(shì)[3]。宏觀經(jīng)濟(jì)、市場(chǎng)供求、企業(yè)自身發(fā)展和投資者預(yù)期等多種復(fù)雜因素驅(qū)動(dòng)了股票市場(chǎng)發(fā)展,使得股價(jià)波動(dòng)具有顯著的非平穩(wěn)、非線性和高噪聲的復(fù)雜特性,導(dǎo)致股價(jià)的有效預(yù)測(cè)成為一個(gè)公認(rèn)難題[4]。

  現(xiàn)有研究大多使用ARIMA、GARCH等金融計(jì)量方法對(duì)股價(jià)序列進(jìn)行建模預(yù)測(cè),多數(shù)計(jì)量模型要求待建模數(shù)據(jù)符合特定分布假設(shè),而股價(jià)序列通常很難滿足這樣嚴(yán)格的數(shù)據(jù)分布要求。機(jī)器學(xué)習(xí)算法對(duì)數(shù)據(jù)的分布和噪聲含量等要求更寬松,且通常對(duì)非線性金融時(shí)序數(shù)據(jù)具有更好的預(yù)測(cè)能力。其中,SVR模型對(duì)待建模數(shù)據(jù)的分布不作任何假設(shè),特別適用于金融復(fù)雜時(shí)序預(yù)測(cè)建模。Van和Suykens(2001)[4]利用LS-SVM對(duì)金融時(shí)序進(jìn)行非線性回歸建模,進(jìn)而預(yù)測(cè)資產(chǎn)價(jià)格的波動(dòng)率,實(shí)證結(jié)果表明該方法可獲得較高的預(yù)測(cè)精度。

  劉道文和樊明智(2013)[5]利用SVR對(duì)上證指數(shù)進(jìn)行預(yù)測(cè),實(shí)證表明增量SVR模型比神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)更準(zhǔn)確。針對(duì)金融時(shí)序的長(zhǎng)期依賴特征,黃婷婷和余磊(2019)[6]提出了一種基于深度學(xué)習(xí)的預(yù)測(cè)模型,其預(yù)測(cè)精度比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更高。鑒于機(jī)器學(xué)習(xí)在金融時(shí)序預(yù)測(cè)領(lǐng)域的出色表現(xiàn),研究者們嘗試運(yùn)用機(jī)器學(xué)習(xí)方法預(yù)測(cè)股市短期趨勢(shì)并進(jìn)一步構(gòu)建量化擇時(shí)策略,以獲取超額投資收益。Huang等(2006)[7]運(yùn)用SVM對(duì)股市趨勢(shì)進(jìn)行預(yù)測(cè)并構(gòu)建量化擇時(shí)策略,并證實(shí)該策略的表現(xiàn)顯著優(yōu)于基于傳統(tǒng)指標(biāo)判斷的擇時(shí)策略。

  傅中杰和吳清強(qiáng)(2018)[3]利用HMM模型進(jìn)行特征篩選并預(yù)測(cè)市場(chǎng)狀態(tài),并證實(shí)HMM擇時(shí)策略的市場(chǎng)狀態(tài)識(shí)別能力比雙均線策略更出色。徐茜茜(2018)[8]構(gòu)建基于SVM股價(jià)預(yù)測(cè)建模的量化擇時(shí)策略,獲得了比“漲買跌賣”策略更好的收益。上述研究證實(shí)了利用機(jī)器學(xué)習(xí)預(yù)測(cè)股市趨勢(shì)進(jìn)而構(gòu)建擇時(shí)策略的可行性。然而,股價(jià)波動(dòng)的復(fù)雜性使得利用常用機(jī)器學(xué)習(xí)算法很難充分提取其復(fù)雜變化規(guī)律,進(jìn)而難以準(zhǔn)確預(yù)測(cè)股價(jià)變化趨勢(shì)。融合信號(hào)處理與機(jī)器學(xué)習(xí)的集成方法能更有效地挖掘股價(jià)序列蘊(yùn)含的深層變化規(guī)律,實(shí)現(xiàn)金融時(shí)序數(shù)值和趨勢(shì)的高精度預(yù)測(cè)。

  賀毅岳等(2019)[9]提出基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)的股市指數(shù)集成預(yù)測(cè)方法,顯著提升了預(yù)測(cè)效果。EMD是一種非線性時(shí)序信號(hào)的自適應(yīng)分解新方法,具有出色的時(shí)頻局部化能力[10]。Wu和Huang(2004)[11]通過(guò)引入頻率均勻分布的白噪聲,進(jìn)一步提出了集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD),有效解決了EMD中存在的模態(tài)混疊問(wèn)題。張衛(wèi)國(guó)等(2020)[12]利用EEMD對(duì)互聯(lián)網(wǎng)保險(xiǎn)理財(cái)收益率進(jìn)行多尺度分解,結(jié)合各分量特征深入分析影響收益率的主要因素。上述研究證實(shí),利用EEMD分解可獲得復(fù)雜金融時(shí)序的多尺度波動(dòng)與趨勢(shì)特征,對(duì)提高金融時(shí)序預(yù)測(cè)建模精度具有重要價(jià)值。因此,本文結(jié)合EEMD的多尺度分解功能和ε-不敏感SVR的非線性建模優(yōu)勢(shì),提出基于EEMD-SVR的指數(shù)低頻分量預(yù)測(cè)模型,進(jìn)而構(gòu)建基于低頻分量趨勢(shì)預(yù)測(cè)的指數(shù)擇時(shí)策略。

  1股市指數(shù)EEMD分解與重構(gòu)原理

  1.1EMD方法原理

  EMD分解本質(zhì)上是將時(shí)序信號(hào)中不同尺度的趨勢(shì)或波動(dòng)逐級(jí)分解,并保留各自尺度的特征,最后產(chǎn)生一系列本征模函數(shù)(IMF)。其中,IMF需滿足兩個(gè)條件:極值點(diǎn)與過(guò)零點(diǎn)數(shù)量相等或最多相差一個(gè);對(duì)序列上任意一點(diǎn),上包絡(luò)線和下包絡(luò)線的均值為零。時(shí)序信號(hào)EMD分解包括四個(gè)步驟[9]:步驟1:利用三次樣條插值函數(shù)連接待分解的時(shí)序信號(hào)S(t)中所有局部極大值、極小值,擬合得到S(t)的上、下包絡(luò)線。步驟2:對(duì)上下包絡(luò)線求均值得到均值包絡(luò)線m(t),并按照式(1)計(jì)算得到新序列d(t)。d(t)=S(t)-m(t)(1)然后按照式(2)計(jì)算得到Sd,依據(jù)Sd取值情況判斷d(t)是否為本征模函數(shù)。

  1.2EEMD方法的改進(jìn)思路

  在待分解時(shí)序信號(hào)不含噪聲的條件下,EMD分解得到的每個(gè)IMF可表示原序列在特定頻率下的波動(dòng)模式。然而,現(xiàn)實(shí)中如股市指數(shù)等時(shí)序信號(hào)并不完全符合白噪聲假設(shè)且信噪比特別低,導(dǎo)致EMD分解的模態(tài)混疊問(wèn)題。針對(duì)該問(wèn)題,在EEMD方法中逐次將頻率均勻分布的不同輔助白噪聲加入目標(biāo)信號(hào),進(jìn)一步利用EMD分解該信號(hào)序列,重復(fù)執(zhí)行上述過(guò)程N(yùn)次,再對(duì)分解所得IMFs和趨勢(shì)項(xiàng)求平均,最終獲得原信號(hào)的分解結(jié)果[11]。為降低EEMD中所添加白噪聲的擾動(dòng)效果,通常對(duì)白噪聲的統(tǒng)計(jì)特征加以控制:εn=εN,εn為最終誤差的標(biāo)準(zhǔn)差,ε為輔助白噪聲的標(biāo)準(zhǔn)差,通常設(shè)為0.1或0.2,N為集成操作的次數(shù),默認(rèn)值為100[10]。

  2指數(shù)低頻分量的預(yù)測(cè)建模

  2.1指數(shù)預(yù)測(cè)建模的流程

  從聚寬量化平臺(tái)提取2015-01-01至2017-12-31的滬深300指數(shù)收盤價(jià),得到共732個(gè)有效交易日數(shù)據(jù)作為本文指數(shù)預(yù)測(cè)建模的訓(xùn)練集。訓(xùn)練期內(nèi),指數(shù)先后經(jīng)歷上漲、下跌和震蕩三個(gè)階段,包含一個(gè)完整、典型的股市指數(shù)運(yùn)行周期,有利于驗(yàn)證本文指數(shù)預(yù)測(cè)模型對(duì)不同行情狀態(tài)下股市指數(shù)復(fù)雜變化規(guī)律的提取與刻畫能力,進(jìn)而能增強(qiáng)本文擇時(shí)策略有效性的說(shuō)服力。

  以滬深300指數(shù)時(shí)間序列為輸入,依次執(zhí)行指數(shù)EEMD分解、低頻分量重構(gòu)以及SVR預(yù)測(cè)建模。具體建模流程為:首先,對(duì)訓(xùn)練期內(nèi)指數(shù)序列進(jìn)行EEMD分解,獲得相應(yīng)的多個(gè)IMF和殘余項(xiàng);其次,按指數(shù)低頻分量的重構(gòu)方法,對(duì)低頻IMF和殘余項(xiàng)進(jìn)行加和,獲得重構(gòu)的指數(shù)低頻分量;最后,運(yùn)用ε-不敏感SVR構(gòu)建低頻分量的預(yù)測(cè)模型,并按日滾動(dòng)預(yù)測(cè)獲得下一交易日指數(shù)低頻分量預(yù)測(cè)值。

  2.2指數(shù)EEMD分解及低頻分量重構(gòu)

  對(duì)指數(shù)序列進(jìn)行EEMD分解,得到如圖3所示的6個(gè)IMF和1個(gè)殘差項(xiàng)。從IMF1到IMF6,頻率變化模式復(fù)雜度依次下降,殘余項(xiàng)反映了指數(shù)的平均變化趨勢(shì),這表明EEMD分解具有將非線性、非平穩(wěn)性序列分解為若干個(gè)平穩(wěn)且頻率不同的IMF及趨勢(shì)項(xiàng)的重要功能。依據(jù)本文所述IMF重組方法,依次對(duì)分解獲得的各IMF進(jìn)行均值不為0的t檢驗(yàn)(顯著性水平0.05)。IMF5均值顯著異于0,故IMF1到IMF4為高頻項(xiàng),將IMF5、IMF6和殘差項(xiàng)相加獲得指數(shù)的低頻分量。

  2.3低頻分量SVR預(yù)測(cè)建模及優(yōu)化

  以2015-01-01至2017-12-31共732天作為建模訓(xùn)練期,采用按日滾動(dòng)的建模方式,即以最近30個(gè)交易日的指數(shù)低頻分量為模型輸入、以下一交易日(第31個(gè)交易日)的指數(shù)低頻分量值為輸出,構(gòu)建基于ε-不敏感SVR的低頻分量預(yù)測(cè)模型。當(dāng)新增一個(gè)交易日的真實(shí)數(shù)據(jù)后,對(duì)2015-01-01至最新一個(gè)交易日的指數(shù)時(shí)序進(jìn)行EEMD分解和低頻分量重構(gòu),并重新建立相應(yīng)的低頻分量SVR預(yù)測(cè)模型,再用最近30個(gè)交易日的低頻分量值為輸入來(lái)計(jì)算下一個(gè)交易日的低頻分量預(yù)測(cè)值。

  以此方式按日滾動(dòng)預(yù)測(cè),依次獲得測(cè)試期內(nèi)各交易日的指數(shù)低頻分量值,測(cè)試期自2018-01-01至2019-08-30共406天。滾動(dòng)預(yù)測(cè)過(guò)程中僅利用到當(dāng)前時(shí)刻為止的市場(chǎng)信息,不含任何涉及指數(shù)的未來(lái)信息。建模過(guò)程中,為提升模型參數(shù)的訓(xùn)練精度與速度,對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行了Z-Score標(biāo)準(zhǔn)化。給定參數(shù)搜索區(qū)間[0.01,20]進(jìn)行參數(shù)尋優(yōu),再采用隨機(jī)參數(shù)優(yōu)化方法在參數(shù)空間進(jìn)行隨機(jī)搜索以獲得最優(yōu)值,在保證參數(shù)尋優(yōu)精度前提下加快了模型求解速度。

  3滬深300指數(shù)擇時(shí)策略構(gòu)建及評(píng)估

  3.1策略的構(gòu)建流程與思路

  中長(zhǎng)期趨勢(shì)擇時(shí)的關(guān)鍵是有效過(guò)濾股市指數(shù)短期變化的小趨勢(shì),而提取其中長(zhǎng)期運(yùn)行趨勢(shì),即擇時(shí)策略要忽略指數(shù)短期波動(dòng)趨勢(shì),以避免頻繁交易導(dǎo)致的過(guò)高交易成本,同時(shí)要把握有利的中長(zhǎng)期漲跌趨勢(shì),制定有效的交易規(guī)則,進(jìn)而生成交易決策與買賣操作所需的交易信號(hào),真正將高效的趨勢(shì)預(yù)測(cè)能力轉(zhuǎn)化為擇時(shí)交易的超額收益獲取能力。

  本文通過(guò)EEMD分解、低頻IMF與殘差項(xiàng)的重構(gòu)獲得指數(shù)低頻分量,實(shí)現(xiàn)了對(duì)指數(shù)局部短期波動(dòng)的有效過(guò)濾,很大程度上消除了原指數(shù)所包含的市場(chǎng)交易噪聲。相比于原指數(shù)序列,低頻分量更光滑、波動(dòng)率頻率更低,可顯著降低進(jìn)一步運(yùn)用SVR算法提取指數(shù)長(zhǎng)期變化規(guī)律的難度,從而可提升指數(shù)中長(zhǎng)期發(fā)展趨勢(shì)預(yù)測(cè)的準(zhǔn)確度。如下頁(yè)圖5所示,根據(jù)滬深300指數(shù)低頻分量的預(yù)測(cè)值,設(shè)計(jì)交易規(guī)則并計(jì)算獲得交易信號(hào),進(jìn)而構(gòu)建指數(shù)擇時(shí)策略,包括擇時(shí)和交易兩步子過(guò)程:

  (1)擇時(shí)子過(guò)程。建立基于ε-不敏感SVR的低頻分量預(yù)測(cè)模型,通過(guò)按日滾動(dòng)預(yù)測(cè)方式獲得下一交易日指數(shù)低頻分量的預(yù)測(cè)值。進(jìn)一步,參考董竹和周悅(2019)[13]關(guān)于股市慣性效應(yīng)、擇時(shí)策略與交易規(guī)則設(shè)計(jì)的研究結(jié)論,設(shè)定交易信號(hào)產(chǎn)生規(guī)則:當(dāng)?shù)皖l分量預(yù)測(cè)值>其上一日實(shí)際值+10,則產(chǎn)生買入信號(hào);當(dāng)?shù)皖l分量預(yù)測(cè)值<上一日實(shí)際值-3,則產(chǎn)生賣出信號(hào);其他情況不產(chǎn)生交易信號(hào)。

  (2)交易子過(guò)程。根據(jù)擇時(shí)過(guò)程所產(chǎn)生的交易信號(hào)執(zhí)行交易:當(dāng)交易信號(hào)為買入信號(hào),則全倉(cāng)買入;當(dāng)交易信號(hào)為賣出信號(hào),則留倉(cāng)30%,其余賣出;無(wú)信號(hào)則不交易?紤]到頻繁交易造成交易成本過(guò)高的問(wèn)題,在不同調(diào)倉(cāng)周期下執(zhí)行策略回測(cè),如圖6所示,調(diào)倉(cāng)周期為6日時(shí)收益達(dá)到最大值34.41%,故設(shè)定調(diào)倉(cāng)周期為6日。

  3.2策略的回測(cè)分析

  在聚寬量化平臺(tái)上設(shè)定回測(cè)區(qū)間為2018-01-01至2019-08-30,通過(guò)不斷調(diào)整(最小調(diào)整比例為10%)賣出時(shí)的留倉(cāng)比例,獲得相應(yīng)的多組體現(xiàn)收益獲取與風(fēng)險(xiǎn)規(guī)避能力的策略評(píng)估結(jié)果。賣出時(shí)留倉(cāng)30%的策略收益、阿爾法值和夏普比率明顯高于其他組,此時(shí)策略的最大回撤達(dá)到最優(yōu)值10.39%。綜合考慮策略的收益與風(fēng)險(xiǎn)表現(xiàn),當(dāng)交易信號(hào)為賣出信號(hào)時(shí),留倉(cāng)30%其余均賣出。

  首先,從收益方面看,本文策略可穩(wěn)定超越基準(zhǔn)策略,在基準(zhǔn)收益為-5.74%的情況下獲得34.41%的策略收益;其次,從超額收益獲取能力角度看,本文策略的阿爾法值為0.194,表明策略可獲取正的超額收益;再次,夏普比率1.082意味著策略每承擔(dān)1單位總風(fēng)險(xiǎn),能帶來(lái)1.082單位超越無(wú)風(fēng)險(xiǎn)的收益;最后,策略回撤為10.39%,與回測(cè)期間滬深300指數(shù)的市場(chǎng)行情基本相符。這表明本文策略能在一定程度上降低擇時(shí)風(fēng)險(xiǎn)并獲得相對(duì)穩(wěn)定的超額收益。

  3.3與已有典型策略的對(duì)比分析

  3.3.1MACD策略

  指數(shù)平滑異同平均線(MACD)策略(策略A)的擇時(shí)思路為:當(dāng)DIF上穿DEA(金叉)時(shí)為買進(jìn)信號(hào),當(dāng)DIF下穿DEA(死叉)時(shí)為賣出信號(hào)。該策略的擇時(shí)過(guò)程為:設(shè)定MACD快速均線為12日均線,慢速均線為26日均線,參數(shù)M為9日。當(dāng)產(chǎn)生買入信號(hào)時(shí)全倉(cāng)買入;當(dāng)產(chǎn)生賣出信號(hào)時(shí),留倉(cāng)30%其余均賣出,調(diào)倉(cāng)周期為6個(gè)交易日?梢钥闯觯摬呗缘氖找娉^(guò)了基準(zhǔn)策略,在基準(zhǔn)收益為-5.74%的情況下策略收益為-0.23%,其阿爾法值和夏普比率均為負(fù)值,表明策略未獲得超額收益。最大回撤為0.49%,說(shuō)明該策略非常穩(wěn)定,未出現(xiàn)大幅虧損。然而,該策略風(fēng)險(xiǎn)與收益綜合表現(xiàn)并不理想。

  3.3.2基于漲跌分布統(tǒng)計(jì)的擇時(shí)策略

  基于漲跌分布統(tǒng)計(jì)的擇時(shí)策略(策略B)的主要思想是通過(guò)統(tǒng)計(jì)方法來(lái)檢驗(yàn)價(jià)量因子出現(xiàn)的概率,成功率高再繼續(xù)進(jìn)行買賣。該策略的構(gòu)建思路為:對(duì)訓(xùn)練期每日指數(shù)漲跌幅度的分布情況進(jìn)行統(tǒng)計(jì),結(jié)果表明漲跌幅度1.5%以內(nèi)的情形占多數(shù),進(jìn)一步統(tǒng)計(jì)2~5日的漲跌幅情況,尋找更具投資參考意義的漲跌規(guī)律,發(fā)現(xiàn)連續(xù)3日上漲、日均上漲超0.5%且每日漲幅差異較小時(shí)將大概率保持上漲趨勢(shì),連續(xù)2日下跌超過(guò)2%將持續(xù)下跌趨勢(shì)。

  利用該統(tǒng)計(jì)規(guī)律構(gòu)建擇時(shí)策略:連續(xù)3日上漲超過(guò)0.5%時(shí)產(chǎn)生買入信號(hào),連續(xù)2日下跌超過(guò)2%時(shí)產(chǎn)生賣出信號(hào)。交易過(guò)程、倉(cāng)位控制規(guī)則的設(shè)定與本文策略相同。由回測(cè)結(jié)果可知,該策略收益可穩(wěn)定超越大盤,在基準(zhǔn)收益為-5.74%的情況下獲得6.29%的策略收益。阿爾法值為0.011說(shuō)明策略可獲取較小的超額收益。夏普比率為-0.019,表明策略承受每單位總風(fēng)險(xiǎn)的超額回報(bào)為負(fù)。最大回撤11.72%,說(shuō)明該策略相對(duì)較穩(wěn)定。總體來(lái)說(shuō)該策略收益較穩(wěn)定,但風(fēng)險(xiǎn)控制能力不足。

  3.3.3指數(shù)EEMD-SVR預(yù)測(cè)的擇時(shí)策略

  指數(shù)EEMD-SVR預(yù)測(cè)的擇時(shí)策略(策略C)的指數(shù)建模預(yù)測(cè)過(guò)程為:首先,對(duì)訓(xùn)練期內(nèi)的滬深300指數(shù)進(jìn)行EEMD分解,利用分解獲得的IMF依次重構(gòu)其高、低頻分量和趨勢(shì)分量;其次,按照上文所述SVR滾動(dòng)預(yù)測(cè)建模方法,分別構(gòu)建高、低頻分量和趨勢(shì)項(xiàng)的預(yù)測(cè)模型;最后,采用按日滾動(dòng)預(yù)測(cè)方式計(jì)算預(yù)測(cè)期內(nèi)指數(shù)高、低頻分量和趨勢(shì)項(xiàng)的預(yù)測(cè)值,再通過(guò)求和獲得指數(shù)的最終預(yù)測(cè)值。然而,該方法在指數(shù)重構(gòu)過(guò)程中并未剔除攜帶噪聲的高頻IMF,使得其預(yù)測(cè)精度提升效果有限。

  策略C區(qū)別于本文策略的關(guān)鍵在于:其交易信號(hào)的產(chǎn)生是依據(jù)對(duì)指數(shù)預(yù)測(cè)值與前一交易日指數(shù)值的比較結(jié)果來(lái)確定的,而不是依據(jù)指數(shù)低頻分量預(yù)測(cè)值與前一交易日低頻分量值的比較結(jié)果。參照本文的信號(hào)產(chǎn)生規(guī)則生成交易信號(hào),且交易過(guò)程、倉(cāng)位控制規(guī)則的設(shè)定與本文策略相同。在基準(zhǔn)收益為-5.74%的情況下該策略獲得4.26%的累計(jì)收益,超越了基準(zhǔn)表現(xiàn)。然而,其阿爾法值僅為0.064,表明該策略僅能獲取少量的超額收益;夏普比率為0.039,表明策略在承受單位總風(fēng)險(xiǎn)下的超額回報(bào)較小。最大回撤23.38%表明其穩(wěn)定性較差,可能出現(xiàn)較大虧損?傮w來(lái)說(shuō),該策略的回測(cè)收益獲取與風(fēng)險(xiǎn)控制能力并不出色。

  3.3.4各策略表現(xiàn)的整體對(duì)比分析

  為上述四種策略在聚寬量化平臺(tái)上回測(cè)的詳細(xì)對(duì)比評(píng)估結(jié)果,據(jù)此得到三個(gè)結(jié)論:

  (1)對(duì)比本文策略與策略A和B,從策略的思想來(lái)看,策略A從雙移動(dòng)平均線策略發(fā)展而來(lái),其構(gòu)建過(guò)程僅利用指數(shù)簡(jiǎn)單的數(shù)學(xué)運(yùn)算;策略B通過(guò)統(tǒng)計(jì)一個(gè)經(jīng)濟(jì)周期內(nèi)的指數(shù)漲跌規(guī)律,進(jìn)而設(shè)計(jì)出相應(yīng)的交易策略。相較于基于復(fù)雜機(jī)器學(xué)習(xí)算法而構(gòu)建的交易策略,策略A和B的適應(yīng)性和穩(wěn)定性難以保證。從上述3個(gè)策略的收益結(jié)果來(lái)看,策略A未能獲取正收益,策略B收益率較低,僅能獲取較小的超額收益,收益表現(xiàn)遠(yuǎn)不如本文策略,證實(shí)本文擇時(shí)策略具有良好的正向收益獲取能力。

  (2)對(duì)比本文策略與策略C,從策略思想來(lái)看,策略C通過(guò)EEMD分解和SVR對(duì)指數(shù)進(jìn)行分頻預(yù)測(cè)并加和集成獲得指數(shù)預(yù)測(cè)值,預(yù)測(cè)精度有所改善,但該策略的交易信號(hào)是通過(guò)直接比較指數(shù)預(yù)測(cè)值與其前一日指數(shù)真實(shí)值生成的,而原指數(shù)包含大量的噪聲,故難以高精度預(yù)測(cè)指數(shù)進(jìn)而把握股市指數(shù)的中長(zhǎng)期主趨勢(shì),導(dǎo)致頻繁交易、交易費(fèi)用過(guò)高,影響其實(shí)際執(zhí)行效果。策略C的年化收益僅為3.16%,明顯低于本文策略為19.97%的年化收益率,這證實(shí)了本文通過(guò)低頻分量預(yù)測(cè)來(lái)把握市場(chǎng)趨勢(shì)的研究思路合理。

  (3)進(jìn)一步從風(fēng)險(xiǎn)角度對(duì)本文策略和對(duì)照策略的風(fēng)險(xiǎn)管理能力作對(duì)比分析。本文策略貝塔值為0.454,明顯高于策略A、B和C,且圖7中本文策略的累計(jì)收益主要來(lái)自中后期上漲區(qū)間,說(shuō)明本文方法能較準(zhǔn)確地把握指數(shù)的中長(zhǎng)期趨勢(shì),進(jìn)而轉(zhuǎn)化為策略的實(shí)際收益。本文策略的夏普比率為1.082,表明承擔(dān)1單位總風(fēng)險(xiǎn)可獲取1.082單位額外收益,遠(yuǎn)高于其他策略。本文策略的索提諾比率和信息比率也遠(yuǎn)高于對(duì)比策略,說(shuō)明在承擔(dān)單位下行風(fēng)險(xiǎn)時(shí)本文策略可獲得更多的超額收益。同時(shí),本文策略的最大回撤、阿爾法等其他風(fēng)險(xiǎn)收益指標(biāo)結(jié)果均較優(yōu),充分證實(shí)在上述策略中本文策略的風(fēng)險(xiǎn)規(guī)避與控制能力最佳。

  4結(jié)束語(yǔ)

  本文針對(duì)基于機(jī)器學(xué)習(xí)預(yù)測(cè)的指數(shù)擇時(shí)策略構(gòu)建問(wèn)題,首先通過(guò)EEMD分解與重構(gòu)獲得指數(shù)低頻分量,低頻分量的波動(dòng)特征相對(duì)簡(jiǎn)單、市場(chǎng)交易噪聲含量更低,有利于高效提取指數(shù)波動(dòng)模式。其次,結(jié)合SVR在復(fù)雜序列非線性建模方面的優(yōu)勢(shì),提出了基于SVR的指數(shù)低頻分量預(yù)測(cè)模型。最后,根據(jù)低頻分量趨勢(shì)預(yù)測(cè)結(jié)果設(shè)計(jì)擇時(shí)信號(hào)的產(chǎn)生規(guī)則,并構(gòu)建基于低頻分量趨勢(shì)預(yù)測(cè)的指數(shù)擇時(shí)策略。對(duì)比評(píng)估證實(shí):利用去噪后的指數(shù)低頻分量預(yù)測(cè)指數(shù)中長(zhǎng)期趨勢(shì),進(jìn)而構(gòu)造指數(shù)量化擇時(shí)策略的研究思路合理、有效,且顯著降低了指數(shù)趨勢(shì)預(yù)測(cè)建模的難度;同時(shí),本文策略能更有效地把握指數(shù)中長(zhǎng)期趨勢(shì),大幅提升了生成擇時(shí)信號(hào)的準(zhǔn)確度,其收益獲取與風(fēng)險(xiǎn)控制表現(xiàn)顯著超越了對(duì)比策略,并能長(zhǎng)期保持盈利。

  參考文獻(xiàn):

  [1]李斌,邵新月,李玥陽(yáng).機(jī)器學(xué)習(xí)驅(qū)動(dòng)的基本面量化投資研究[J].中國(guó)工業(yè)經(jīng)濟(jì),2019,(8)

  [2]ChenYW,ChouRK,LinCB.InvestorSentiment,SEOMarketTim⁃ingandStockPricePerformance[J].JournalofEmpiricalFinance,2019,(51).

  [3]傅中杰,吳清強(qiáng).基于隱馬爾科夫模型的市場(chǎng)指數(shù)量化擇時(shí)研究[J].廈門大學(xué)學(xué)報(bào)(自然科學(xué)版),2018,57(3).

  [4]VanGL,SuykensJT.FinancialTimeSeriesPredictionUsingLeastSquaresSupportVectorMachinesWithintheEvidenceFramework[J].IEEETransactiononNeuralNetworks,2001,12(4).

  [5]劉道文,樊明智.基于支持向量機(jī)股票價(jià)格指數(shù)建模及預(yù)測(cè)[J].統(tǒng)計(jì)與決策,2013,(2).

  作者:高妮1,賀毅岳2,馬新成2

轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng):http:///jjlw/29465.html