20180321-安信证券-机器学习与量化投资_避不开的那些事（3）_21页_1mb

机器学习与量化投资：避不开的那些事（3）总结

核心内容

本报告探讨了基于机器学习的商品期货策略，特别是其在预测未来一周走势方面的应用。该策略通过机器学习模型生成交易信号，判断不同商品的多空方向，并结合交易成本和策略执行细节进行调仓与仓位分配。策略具有低频率、高资金容量的特点，每周周末计算信号，周初第一天进行调仓。

主要观点

• 预测目标多样化：除了传统的下期收益预测，机器学习模型也可用于预测风险调整后的收益，如夏普比率或收益回撤比，以更全面地评估策略表现。
• 风险调整后的收益优势：当预测目标为风险调整后的收益时，策略的夏普比率略高，这与金融行为学的理论相一致，说明在相同风险水平下，策略收益更具吸引力。
• 市场状态对策略的影响：
  • 在市场较为平淡时，价格序列呈现反相关性，此时收益标准差大，夏普比率低。
  • 在市场出现明显变化时，价格序列呈现正相关性，收益标准差小，夏普比率高。
• 策略执行细节：
  • 交易成本假设为双边千分之二，包含冲击成本。
  • 仓位根据历史波动率的倒数分配。
  • 设置8%的止损线以控制风险。
• 交易信号生成机制：
  • 通过数量化方法将历史行情转化为因子。
  • 未来一周收益作为因变量，训练模型生成信号。
  • 若预测值触及多头阈值则做多，空头阈值则做空，否则无仓位。

关键信息

策略表现

• 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

商品表现比较

风险提示

• 市场不确定性：由于商品期货市场仍在高速变化中，基于历史数据的模型存在较大的失效风险。
• 策略适应性：策略表现依赖于市场状态，市场波动较大时，夏普比率表现更优，而市场震荡时，收益表现更佳。

结论

该策略在利用机器学习预测未来一周走势方面表现良好，尤其在市场出现明显变化时，通过风险调整后的收益指标（如夏普比率）能更好地区分趋势与震荡市场。策略具有较高的资金容量和较低的频率，适合长期持有。然而，市场变化较快，模型可能无法持续有效，需结合市场状态进行动态调整。