人工智能系列报告实证篇_人工智能算法在价量特征中的应用_27页_1mb

人工智能在价量特征中的应用实证分析

核心内容

本报告探讨了人工智能算法在量化投资中应用的实证效果，重点分析了多种机器学习模型在价量特征指标上的表现。报告选取了34个价量特征指标，包括价格重叠类、动量类、成交量类和波动类，并通过36个月滚动窗口训练模型，预测未来一个月股票涨跌类别。最终构建了多空投资组合，评估了不同模型的预测效果和收益表现。

主要观点

• 价量特征的优势：价量特征相较于基本面指标，在市场择时方面具有更好的时效性，是捕捉短期波动收益的重要工具。
• 模型选择：本文测试了多种机器学习模型，包括决策树、支持向量机（SVM）、随机森林、AdaBoost、GBDT和XGBoost等。
• 模型表现差异：决策树和支持向量机在分类预测效果上表现一般，而随机森林和Boosting算法（如AdaBoost、GBDT、XGBoost）表现较为优异，具有较好的分类能力。
• 收益与风险指标：随机森林和Boosting算法的年化收益率在13%-14%之间，夏普比率在0.42-0.44之间；多空组合年化收益率在7.11%-12.11%之间，夏普比率在0.78-0.9之间，其中XGBoost模型的多空组合收益率最高。

关键信息

1. 数据与模型设置

• 数据来源：沪深全A股票，剔除ST股票和上市不满120个交易日的次新股。
• 回测时间：2007年1月至2018年3月。
• 特征指标：共34个价量特征，涵盖价格、动量、成交量和波动四个类别。
• 标准化方法：采用最大最小值法对数据进行标准化处理，使数据分布集中在[0,1]区间。
• 模型训练：采用36个月滚动训练方式，使用网格调参法进行参数优化。

2. 模型表现

决策树模型

• IC均值：0.032
• 分组超额收益：表现最差，最高收益组为第7组（14.0%），最低收益组为第4组（-26.8%）。
• 多空组合：年化收益率11.75%，夏普比率0.79。

支持向量机（SVM）

• IC均值：0.051
• 分组超额收益：表现优于决策树，最高收益组为第7组（36.7%），最低收益组为第1组（-6.1%）。
• 多空组合：年化收益率16.05%，夏普比率0.93。

随机森林模型

• IC均值：0.056
• 分组超额收益：表现良好，第10组年化收益率为14.0%，夏普比率为0.44。
• 多空组合：年化收益率7.11%，夏普比率0.78。

AdaBoost模型

• IC均值：0.034
• 分组超额收益：表现中等，第10组年化收益率为13.6%，夏普比率为0.43。
• 多空组合：年化收益率9.72%，夏普比率0.83。

GBDT模型

• IC均值：0.037
• 分组超额收益：表现较好，第10组年化收益率为13.5%，夏普比率为0.44。
• 多空组合：年化收益率10.98%，夏普比率0.90。

XGBoost模型

• IC均值：0.049
• 分组超额收益：表现最佳，第10组年化收益率为12.9%，夏普比率为0.42。
• 多空组合：年化收益率12.11%，夏普比率0.83。

附录：价量特征指标

ADOSC（振荡指标）

• $ADOSC = fast_period AD - slow_period AD$
• $CLV = \frac{(close - low) - (high - close)}{(high - low)}$
• $AD = AD_{[-1]} + CLV \times volume$

APO（价格振荡器）

• $APO = SlowMA(price) - FastMA(price)$
• FastMA周期为12，SlowMA周期为26

AROONOSC（阿隆振荡）

• $AROONOSC = AroonUp - AroonDown$
• AroonUp = [(计算期天数 - 最高价后的天数)/计算期天数] × 100
• AroonDown = [(计算期天数 - 最低价后的天数)/计算期天数] × 100

BOP（均势指标）

• $BOP = \frac{close - open}{high - low}$

CCI（顺势指标）

• $CCI = \frac{TP - ATP}{0.015 \times MD}$
• $TP = \frac{high_n + low_n + close}{3}$

CMO（钱德动量摆动指标）

• $CMO = 100 \times \frac{(ups - downs)}{(ups + downs)}$

DX（动向指标）

• $DX = \frac{(+DI) - (-DI)}{(+DI) + (-DI)}$
• $+DI = \frac{+DM}{TR} \times 100$
• $-DI = \frac{-DM}{TR} \times 100$
• $TR = max(high, close_{[-1]}) - min(low, close_{[-1]})$

EMA（指数平均线）

• $EMA = K \times input + (1 - K) \times EMA_{[-1]}$
• $K = \frac{2}{n + 1}$

KAMA（考夫曼的自适应移动平均线）

• $KAMA_t = KAMA_{t-1} + C_t \times (P_t - KAMA_{t-1})$
• $C_t = smooth_t \times smooth_t$
• $smooth_t = ER_t \times (fastest - slowest) + slowest$
• $ER_t = \frac{direction_t}{volatility_t}$
• $direction_t = P_t - P_{t-N+1}$
• $volatility_t = \sum_{i = t-N+1}^{t} |direction_i|$
• $fastest = \frac{2}{N_1 + 1}$
• $slowest = \frac{2}{N_2 + 1}$

KDJ_K

• $K = \frac{2}{3} \times K_{[-1]} + \frac{1}{3} \times RSV$
• $RSV = \frac{(close - LowestLow(last n periods))}{(HighestHigh(last n periods) - LowestLow(last n periods))} \times 100$

KDJ_D

• $D = \frac{2}{3} \times D_{[-1]} + \frac{1}{3} \times K$

MA（移动平均线）

• $MA = \frac{\sum_{i=1}^{n} price}{n}$

MACD（平滑异同移动平均线）

• $short_ema = 0.15 \times price + 0.85 \times short_ema_{[-1]}$
• $long_ema = 0.075 \times price + 0.925 \times long_ema_{[-1]}$
• $MACD = short_ema - long_ema$

MFI（资金流量指标）

• $TypicalPrice = \frac{high + low + close}{3}$
• $MoneyFlow = TypicalPrice \times volume$
• $PositiveMoneyFlow = PositiveMoneyFlow_{[-1]} + MoneyFlow$
• $NegativeMoneyFlow = NegativeMoneyFlow_{[-1]} + MoneyFlow$
• $MoneyRatio_i = \frac{\sum_{i-n}^{i} PositiveMoneyFlow}{\sum_{i-n}^{i} NegativeMoneyFlow}$
• $MoneyFlowIndex = 100 - \left(\frac{100}{1 + MoneyRatio}\right)$

MINUS_DI（下降动向值）

• $DeltaHigh = high_{[-1]} - high$
• $DeltaLow = low - low_{[-1]}$
• $MinusDM = 0$ if $DeltaHigh < 0$ and $DeltaLow < 0$ or $DeltaHigh = DeltaLow$
• $MinusDM = DeltaLow$ if $DeltaHigh < DeltaLow$

PLUS_DI（上升动向值）

• $DeltaHigh = high_{[-1]} - high$
• $DeltaLow = low - low_{[-1]}$
• $PlusDM = 0$ if $DeltaHigh < 0$ and $DeltaLow < 0$ or $DeltaHigh = DeltaLow$
• $PlusDM = DeltaHigh$ if $DeltaHigh > DeltaLow$

RSI（相对强弱指数）

• $RSI = 100 - \frac{100}{1 + \frac{AverageUp}{AverageDown}}$

SAR（抛物线指标）

• $SAR = SAR_{[-1]} + \frac{2}{n} \times (SAR_{[-1]} - price)$

TRIX（三重指数平滑平均线）

• $TRIX = 3 \times (EMA(EMA(EMA(price, n), n), n) - EMA(EMA(EMA(price, n), n), n)) / EMA(EMA(EMA(price, n), n), n)$

TURN_MA_5、TURN_MA_10、TURN_STD_5（换手率指标）

• $TURN_MA_5 = \frac{sum(close_volume)}{5}$
• $TURN_MA_10 = \frac{sum(close_volume)}{10}$
• $TURN_STD_5 = \sqrt{\frac{sum((close_volume - TURN_MA_5)^2)}{5}}$

总结

本文通过实证分析，发现随机森林和Boosting算法在价量特征选股中表现优于其他模型。虽然模型间存在一定的差异，但整体上，这些算法在预测未来股票涨跌类别上具有一定效果。然而，机器学习在量化投资中的可解释性仍需进一步研究，以提高其在实际应用中的透明度和稳定性。