机器学习与量化投资：避不开的那些事（3）-20180321-安信证券-21页-2mb

机器学习与量化投资：避不开的那些事（3）总结

核心内容

本文讨论了一种基于机器学习的标准长周期商品期货策略，该策略旨在通过预测未来一周商品价格走势，实现多空方向判断，并进行相应的交易操作。该策略每周在周末计算信号，周初第一天以TWAP（时间加权平均价格）调仓，具有低频率、大资金容量的特点。同时，文章分析了不同预测目标（收益 vs. 风险调整后收益）对策略表现的影响，并结合金融行为学理论（Prospect Theory）探讨了其在量化投资中的应用。

主要观点

• 预测目标选择：传统的预测目标是下期或未来n期的收益，但风险调整后的收益（如夏普比率）更能体现策略的风险收益比，特别是在市场波动性较大的情况下。
• 策略表现：当以一周累计收益为预测目标时，策略表现如下：
  • 夏普比率：1.05
  • 年化收益：8.60%
  • 最大回撤：13.02%
  • 胜率：54.16%
  • 盈亏比：1.06
• 机器学习在量化投资中的应用：通过构建因子模型，机器学习可以有效识别商品价格走势，从而提高策略的预测能力和收益表现。
• 风险调整后收益的策略优势：当以夏普比率或收益回撤比作为预测目标时，策略的夏普比率普遍高于以收益为预测目标的策略，这说明在相同风险水平下，策略的收益表现更优。

关键信息

策略细节

• 策略标的：包括焦炭、白糖、铁矿石、玻璃、焦煤、动力煤、螺纹钢等。
• 交易成本：双边千分之二的成交成本，即买卖各加一个大约tick的冲击成本。
• 仓位分配：每种标的的仓位按历史波动率的倒数分配，以降低波动大的标的的仓位。
• 止损机制：每个标的设置8%的止损线，以控制风险。
• 调仓机制：每周周末计算信号，周初第一天以TWAP调仓，便于执行且提升资金容量。

交易信号生成

• 通过将历史行情转化为一系列因子，训练机器学习模型预测未来一周的收益。
• 若预测值触及多头阈值，则做多；若触及空头阈值，则做空；否则无仓位。
• 每周结束收盘后确定信号方向，下周第一天交易。

策略表现对比

• 以一周累计收益为预测目标的策略表现如下：
  • 夏普比率：1.03
  • 年化收益：9.24%
  • 最大回撤：12.99%
  • 胜率：53.45%
  • 盈亏比：1.09
• 以夏普或收益回撤比为预测目标的策略表现通常更优，尤其是在市场震荡或趋势明显时，能更好地区分风险与收益。

金融行为学视角

• Prospect Theory指出，投资者对损失的敏感度高于对收益的敏感度，且在盈利时更倾向于落袋为安。
• 在市场平淡时，策略可能呈现反相关性，而在市场变化显著时，策略可能呈现正相关性。
• 风险调整后的收益指标（如夏普比率）能够更准确地衡量策略的长期表现。

汇总结果

各商品表现对比

总体策略表现

• 夏普比率：以夏普为预测目标时，整体夏普为1.06，略高于以收益为预测目标时的1.03。
• 年化收益：以收益为预测目标时，年化收益更高，但风险也更大。
• 最大回撤：以夏普为预测目标时，最大回撤更小，策略更稳健。
• 胜率与盈亏比：以收益为预测目标时，胜率和盈亏比通常更高，但需注意其潜在风险。

风险提示

• 该策略基于历史数据构建，但商品期货市场变化较快，模型存在失效风险。
• 由于市场可能处于高速变化阶段，策略的预测效果可能随时间而变化。
• 在策略执行中，应结合市场变化动态调整参数，以应对不同市场环境。

结论

该策略利用机器学习对未来一周的商品走势进行预测，结合TWAP调仓机制和止损策略，能够在一定程度上提升收益表现。然而，其效果受到市场波动性的影响，且存在模型失效的风险。因此，在实际应用中，应谨慎评估市场环境，并考虑使用风险调整后的收益指标（如夏普比率）来优化策略表现。