环境因子研究探索：标的池环境状态研判与交易行为选择-20210830-浙商证券-16页_744kb

标的池环境状态研判与交易行为选择总结

核心内容

本文提出了一种基于聚类分析和卷积神经网络（CNN）的市场环境状态研判方法，旨在为投资者提供关于市场阶段的增量信息，从而辅助交易决策。通过将市场状态与沪深300成分股之间的相关系数矩阵进行关联，该方法能够识别市场趋势的反转和震荡，并据此构建择时策略。

主要观点

• 市场状态分类：利用K-means算法对市场状态进行聚类分析，通过成分股间的相关系数矩阵来表征市场环境。随着分类组数的增加，市场状态划分更细致，有助于更准确地识别市场趋势。

• CNN模型应用：将聚类结果作为标签，相关系数矩阵灰度图作为输入，训练CNN模型以固化分类标准。CNN模型在样本外数据上仍能保持较高的分类准确率，说明其具备一定的泛化能力。

• 择时策略构建：基于市场状态切换信号，设计买入和卖出策略。实证结果显示，该策略在5组分类情况下，年化收益率达到13.59%，显著高于不择时策略的4.06%。

• 环境因子与Alpha Finance系统结合：环境因子能够对价量信息形成补充，提升CJ-InvBots系统的交易行为判断能力，有助于构建更全面的多因子模型。

• 市场状态与趋势关系：市场趋势的逆转通常对应状态切换，而震荡市场状态的分类效果较差，需更多辅助信息。

关键信息

数据描述

• 数据时间范围：2010年1月4日至2021年7月30日。
• 数据来源：沪深300成分股收益率数据。
• 每日计算过去10天的成分股收益率相关系数矩阵，共得到2510张灰度图。
• 数据集划分：80%用于聚类和CNN训练，20%用于回测和测试。

聚类分析

• 3组分类：状态2多对应上涨趋势，状态1、3多对应回调或震荡。
• 5组分类：状态1和3多对应上涨，状态2几乎对应下跌，状态4和5多对应震荡。
• 分类精度：随着分类数增加，状态描述更加细致，尤其在下跌和震荡趋势中表现更优。

CNN训练结果

• 训练集与验证集准确率：

  • K=2：训练集98.7%，验证集99.1%
  • K=3：训练集92.5%，验证集88.3%
  • K=4：训练集86.4%，验证集80.2%
  • K=5：训练集82.7%，验证集72.8%

• 样本外测试：CNN在未标记的样本外数据上依然保持分类一致性，说明其具备一定的预测能力。

择时策略回测结果（2018年2月2日-2020年7月30日）

研究结论

• 基于环境状态的择时策略能有效提升投资收益。
• 市场状态的分类对投资决策具有参考价值。
• 环境因子可作为CJ-InvBots系统的补充信息源，提升系统判断能力。
• 市场状态的识别需要结合多个因素，尤其在震荡市场中需更复杂的信息。

风险提示

• 本文方法基于历史数据和统计机器学习，存在模型失效风险。
• 模型结果仅供参考，不构成任何投资建议。
• 投资决策应结合个人持仓结构及其他因素，不应仅依赖模型输出。

建议

投资者应结合自身实际情况和投资目标，综合使用环境因子和其他因子信息，以提高决策的全面性和准确性。