20220516-浙商证券-一种自适应寻找市场Alpha的方法_Trader-Company_集成算法交易策略_13页_750kb

“Trader-Company” 集成算法交易策略总结

核心内容

本报告提出了一种名为“交易员-投资公司”的集成算法交易策略，该策略借鉴现实市场中交易员和投资公司的运作方式，通过组合多个交易员的预测观点来形成投资决策，从而实现持续稳健的超额收益。

主要观点

• Alpha的短暂性：市场中的Alpha通常是短暂的，没有交易员或模型能够长期跑赢市场。
• 交易员角色：交易员代表一种基于时序数据的预测方法，其预测值是通过一系列指标（包括激活函数、操作符、延迟参数等）的组合表达。
• 投资公司角色：投资公司通过汇总表现较好的交易员的预测值，形成最终的市场预测，并定期对交易员进行“教育”和“淘汰”。
• 迭代机制：投资公司通过历史业绩对交易员进行评估，淘汰表现不佳的交易员，并基于表现优异的交易员生成新的交易员参数。
• 预测方法：模型采用等权或按沪深300权重的方式对交易员预测结果进行加权汇总，形成最终的策略收益。
• 交易频率：策略使用日频数据进行预测和交易，但为了降低交易成本，采用5个交易日滚动交易的方式，即每天以20%仓位交易，持有5个交易日后再平仓。

关键信息

交易员（Alpha）构建方式

• 每位交易员由多个指标组成，形式为：

  $$
  \hat {r} _ {i} [ t + 1 ] = f _ {\Theta} \left(r _ {1: S} [ 0: t ]\right) = \sum_ {j = 1} ^ {M} w _ {j} A _ {j} \left(O _ {j} \left(r _ {P _ {j}} [ t - D _ {j} ], r _ {Q _ {j}} [ t - F _ {j} ]\right)\right)
  $$

• 每项指标包括：激活函数（如 x, tanh(x), exp(x), sign(x), ReLU(x)）、二元操作符（如 x+y, x-y, xy, max(x,y), min(x,y)）、参考股票、延迟参数等。

投资公司运作机制

• 投资公司由多个交易员组成，通过汇总其预测结果形成最终的市场预测。

• 每位交易员的历史业绩通过以下方式计算：

  $$
  C _ {i} [ t ] = \sum_ {u = 0} ^ {t} \operatorname {sign} \left(\hat {r} _ {i} [ u + 1 ]\right) * r _ {i} [ u + 1 ]
  $$

• 投资公司对交易员进行定期评估，淘汰排名后50%的交易员，并基于前50%交易员的参数生成新的交易员。

模型表现

• 策略收益：自2005年初至今，该策略月均收益为 2.40%，夏普比率为 1.41。
• 模型验证：使用沪深300指数及成分股数据（2005年1月4日至2022年4月15日）进行验证。
• 等权策略表现：累计净值超过20，年化收益率 19%，月均收益率 2.40%，波动率 5.29%。
• 按沪深300权重策略表现：月均收益率 2.23%，波动率 5.11%，夏普比率 1.34。
• 胜率：在52.4%的月份中，策略跑赢沪深300指数。
• 风险控制：策略避免了低于-15%的月度收益，收益集中在0%-5%区间，保持了持续稳健的超额收益。

交易成本优化

• 采用5个交易日滚动交易方式，以减少交易频率，从而降低交易成本（从日频交易的30%降至6%）。

结构清晰要点

交易员参数初始化

• 每位交易员包含 10项指标。
• 激活函数、操作符、参考股票、延迟参数等均从预设范围内随机选取。
• 每位交易员拥有不同的权重 $ w_j $。

投资公司首次教育淘汰

• 对于100位交易员，计算其历史业绩。
• 淘汰排名后50%的交易员。
• 使用前50%交易员的参数拟合高斯混合分布，生成新的交易员。

持续跟踪迭代

• 投资公司定期对交易员进行评估。
• 重复“教育-淘汰-生成新交易员”的过程，以保证策略持续有效。

预测值汇总

• 采用排名前50%的交易员预测值的平均值作为最终预测值。
• 通过等权或按沪深300权重的方式重新计算组合收益。

滚动交易策略

• 采用5个交易日滚动交易方式，以减少交易频率和成本。
• 每天以20%仓位交易，持有5个交易日后平仓。
• 该策略在降低交易成本的同时，保持了较高的收益水平。

结论与思考

• 该策略通过模拟现实市场中的交易员和投资公司，构建了一个具有现实意义的集成交易模型。
• 交易员的历史业绩仅依赖于其对收益方向的预测，避免了过拟合问题。
• 策略在长期运行中表现稳健，月均收益 2.40%，超额收益 1.73%，夏普比率 1.41。
• 该策略的长期表现得益于其合理的迭代机制和对交易成本的优化设计。

参考文献

• Ito K, Minami K, Imajo K, et al. Trader-company method: a metaheuristic for interpretable stock price prediction[J]. arXiv preprint arXiv:2012.10215, 2020.
• Finding Alphas: A quantitative approach to building trading strategies[M]. John Wiley & Sons, 2019.
• Kakushadze Z, Serur J A. 151 Trading Strategies. Global Macro[M] Palgrave Macmillan, Cham, 2018: 263-263.
• Fama E F, French K R. The cross-section of expected stock returns[J]. the Journal of Finance, 1992, 47(2): 427-465.
• Fama E F, French K R. A five-factor asset pricing model[J]. Journal of financial economics, 2015, 116(1): 1-22.
• Hastie T, Tibshirani R, Friedman J H, et al. The elements of statistical learning: data mining, inference, and prediction[M]. New York: springer, 2009.
• Hsu C M. A hybrid procedure for stock price prediction by integrating self-organizing map and genetic programming[J]. Expert Systems with Applications, 2011, 38(11): 14026-14036.
• Makridakis S, Spiliotis E, Assimakopoulos V. Statistical and Machine Learning forecasting methods: Concerns and ways forward[J]. PloS one, 2018, 13(3): e0194889.
• Manahov V, Hudson R, Hoque H. Return predictability and the 'wisdom of crowds': Genetic Programming trading algorithms, the Marginal Trader Hypothesis and the Hayek Hypothesis[J]. Journal of International Financial Markets, Institutions and Money, 2015, 37: 85-98.
• McLean R D, Pontiff J. Does academic research destroy stock return predictability?[J]. The Journal of Finance, 2016, 71(1): 5-32.
• Timmermann A. Forecast combinations, in Handbook of Economic Forecasting', Vol. 1, G. Elliot, C. Granger and A. Timmermann[J]. 2006.
• Xu Y, Cohen S B. Stock movement prediction from tweets and historical prices[C]//Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). 2018: 1970-1979.
• Zhang L, Aggarwal C, Qi G J. Stock price prediction via discovering multi-frequency trading patterns[C]//Proceedings of the 23rd ACM SIGKDD international conference on knowledge discovery and data mining. 2017: 2141-2149.

风险提示

• 量化模型存在失效风险。
• 本报告不构成投资或产品推荐。

法律声明

• 本报告由浙商证券股份有限公司制作。
• 报告信息来源于公开资料，但不保证其真实性、准确性及完整性。
• 报告仅供客户参考，不构成投资建议，投资者需独立评估。
• 报告内容受版权保护，未经授权不得复制、发布或传播。