20140331-安信证券-基于模糊逻辑的择时系统_16页_1mb

2014年3月31日 基于模糊逻辑的择时系统总结

核心内容

本文探讨了一种基于模糊逻辑的择时系统，旨在通过模拟人脑的模糊判断过程，构建一套能够战胜市场的择时规则。该系统结合了模糊逻辑与机器学习方法，从历史数据中学习出一套“择时知识库”，用于预测市场走势，并通过回测验证其有效性。

主要观点

• 模糊逻辑的优势：模糊逻辑可以模拟人脑的判断过程，适用于处理股市中模糊的市场信号，具有可读性和灵活性，比传统数学方法更适合股市分析。
• 系统架构：系统采用模糊推断模型，结合技术指标构建输入变量，通过模糊规则和隶属函数进行推理，最终输出涨跌预测信号。
• 机器学习方法：使用Coevolutionary算法从历史数据中学习模糊系统参数，包括隶属函数形状、模糊运算符、规则结构等，使系统具备“灰箱”特征。
• 参数设置：系统选取了24个技术指标，包括趋势、反转、成交量等，最终筛选出15个输入变量和10条择时规则，保证了系统的全面性和可读性。
• 回测结果：在样本内（2000-2009），系统在各大指数上表现出色，几何平均年化收益率在20%以上，月度胜率接近60%，Sharp比率平均1.45。在样本外（2010-2013），系统依然稳健，几何平均年化收益率均高于20%，在中证500上取得20%的年化超额收益，平均最大回撤在15%左右。
• 策略对比：与传统的趋势策略（如双均线系统）相比，模糊择时系统表现更优，其收益更高，风险更小。

关键信息

• 输入变量：共15个，包括均线系统、K线形态、成交量、动量和反转指标等。
• 输出变量：涨、跌两种语义值。
• 模糊规则：10条，每条规则最多包含3个变量，如“IF 收盘价离阻力线较远，CCI 不高，前二十天涨幅较高，THEN 看涨”等。
• 隶属函数：采用梯形形状，用于描述输入变量对模糊集合的隶属程度。
• 模糊运算符：包括AND（取最小值）、OR（取最大值）、NOT（取补集）等。
• 去模糊化方法：包括区域中心法（COA）和平均最大值法（MOM）。
• 策略表现：
  • 样本内：几何平均年化收益率高于20%，月度胜率接近60%。
  • 样本外：几何平均年化收益率仍高于20%，最大回撤在15%左右。
• 风险提示：虽然系统在历史数据上表现优异，但未来表现无法保证，存在大幅跑输指数的风险。

择时系统优势与局限

优势

• 可读性：模糊规则贴近投资者的直观感受，易于理解和应用。
• 稳健性：在样本外表现良好，具有较强的适应能力。
• 高收益潜力：年化收益率高于传统技术指标，具备超额收益能力。

局限

• 参数过多：系统包含较多参数，存在过度优化风险。
• 计算复杂：参数数量大，导致机器学习过程较慢。
• 未来不确定性：历史表现不能保证未来持续有效。

未来研究方向

• 在不同市场环境中训练不同的择时规则。
• 减少规则数量，提升系统稳定性。
• 进一步优化隶属函数与模糊规则的匹配度，提高预测精度。

投资策略

• 策略类型：基于模糊择时信号的简单策略，如“预测涨则满仓，预测跌则空仓”。
• 回测结果：在样本内和样本外均表现出良好收益，年化收益率均高于20%。
• 信号频率：策略信号切换不频繁，平均一年切换十多次。

总结

模糊择时系统是一种结合模糊逻辑与机器学习的创新方法，能够有效捕捉市场中的模糊信号，提供可读性强的择时规则。尽管在历史数据中表现优异，但其未来效果仍需谨慎对待。系统具备较高的收益潜力和较低的风险，是一种值得进一步研究和应用的择时工具。