20180826-广发证券-金融工程专题报告_基于涨跌模式识别的指数和行业择时策略_20页_2mb

基于涨跌模式识别的指数和行业择时策略总结

核心内容

本报告提出了一种基于机器学习的市场涨跌模式识别策略，用于指数和行业择时交易。该策略通过随机森林模型对历史市场数据进行学习，识别市场上涨和下跌模式，并据此进行交易决策。

主要观点

• 市场波动可划分为上涨模式和下跌模式，二者不断切换。
• 传统的趋势交易系统存在滞后性，而机器学习策略通过分析宏观经济变量和市场变量，提前识别涨跌模式，具有更高的灵活性。
• 通过识别市场模式，策略可以发出做多或做空信号，从而实现择时交易。
• 策略包含止损机制，以减少因判断错误带来的亏损。
• 行业择时策略基于行业特征建立模型，实现不同行业的轮动配置。

关键信息

一、市场模式划分

• 市场模式划分基于行情序列的主要转折点。
• 划分依据为：从一个拐点到下一个拐点之间的价格走势方向。
• 涨跌模式为1表示上涨，0表示下跌。

二、策略原理

• 策略采用随机森林算法，通过特征选择和模型训练，识别市场涨跌模式。
• 特征包括：工业景气度指标、消费与价格指数、货币供给指数、大宗商品指数、利率利差、股票市场数据等。
• 模型在样本内训练，样本外进行回测验证。

三、指数择时策略表现

• 样本内表现：年化收益率为 $181.0%$，最大回撤为 $-22.5%$。
• 样本外表现（2012年5月至今）：
  • 年化收益率为 $16.6%$
  • 最大回撤为 $-24.8%$
• 择时策略表现优于指数本身，且交易频率较低，平均每年交易12.6次。
• 该策略胜率较低，但盈亏比高，适合长期持有。

四、行业轮动策略表现

• 行业择时表现：
  • 28个申万一级行业中，有27个行业的择时模型获得正收益。
  • 行业择时策略的平均年化收益率为 $11.7%$，平均最大回撤为 $-34.4%$。
  • 择时策略的平均累积收益为 $95.7%$，显著高于等权持有策略。
• 行业轮动策略表现：
  • 采用月度调仓，每次选择上涨概率最高的5个行业进行等权配置。
  • 样本外年化超额收益率为 $8.2%$，超额收益最大回撤为 $-10.9%$。
  • 超额收益的胜率为 $64.0%$，信息比为 $1.11$。

五、特征重要性分析

• 在沪深300择时模型中，最重要的特征为：
  • PPI当月同比
  • PPI当月同比变化率
  • 沪深300指数20天收益率
  • 沪深300指数60天收益率
  • CPI当月同比
• LME铜价和黄金现货价格相对不重要。

风险提示

• 本策略基于历史数据进行回测，无法保证在未来的有效性。
• 市场结构变化、交易行为调整以及类似策略的增多可能导致策略失效。

相关研究

图表索引

• 图1：市场模式划分示意图
• 图2：理想情况下根据市场模式划分的交易策略表现
• 图3：机器学习市场模式识别示意图
• 图4：随机森林示意图
• 图5：样本内市场模式划分示意图
• 图6：沪深300指数模式划分结果
• 图7：沪深300指数样本内模式识别表现
• 图8：沪深300指数样本外模式识别表现
• 图9：沪深300择时模型的特征重要性
• 图10：沪深300指数样本内择时表现
• 图11：沪深300指数样本外择时表现
• 图12：行业择时策略原理
• 图13：医药生物行业择时表现
• 图14：汽车行业择时表现
• 图15：行业轮动的IC
• 图16：行业轮动策略样本内表现
• 图17：行业轮动策略样本外表现

表格索引

• 表1：机器学习模型特征选择
• 表2：沪深300指数择时策略分年度表现
• 表3：行业指数择时策略表现
• 表4：行业轮动策略分年度表现