【专题报告】数据探索的择时系列之一：多管齐下，四两拨千斤-20211009-华创证券-17页_1mb

报告摘要

本文探讨了使用遗传规划算法对沪深300宽基指数进行择时因子挖掘的应用。通过机器学习的方式，华创证券研究所试图找到比人工挖掘更高效、更准确的择时模型。遗传规划算法模拟生物进化过程，包括复制、交叉、变异等步骤，以寻找最优的因子表达式。

遗传规划的优势：遗传规划能够生成显式的表达式，便于后续逻辑分析与过拟合检验，相比黑箱模型更具优势。
适应度函数设计：本文构建了复合适应度函数，综合考虑年化收益率、极端尾部风险、胜率、年平均交易次数和平均多头持仓天数，以确保因子在多个维度上表现优异。
过拟合检验方法：采用参数设置和样本外检验相结合的方式，防止因子收敛至局部最优，提升模型的泛化能力。
信号生成策略：采用分位数突破策略，根据因子值在60日周期内的80%分位点和20%分位点发出看多或看空信号，其他情况则为空仓。
策略表现：通过组合多个表现优秀的因子，最终构建出一个在沪深300指数上表现优异的择时策略，年化收益率达61.52%，最大回撤为14.79%，夏普比率为2.439，胜率为61.14%，盈亏比为2.941。

初始化种群：通过随机算法生成初始个体集合，选择适当的终端数据（如开盘价、收盘价、成交量等）和常数（如5、10、15、20）。
适应度函数：基于年化收益率、胜率、夏普比率等指标构建复合适应度函数，公式为：
$$
\text{适应度} = \text{卡玛比率} \times \sqrt{\text{年平均交易次数}} \times \text{胜率} \times \sqrt{\text{平均多头持仓天数}}
$$
进化选择：采用自定义选择方式，保留适应度为前50%的个体，并满足卡玛比率>0.3、年平均交易次数>2、胜率>50%等辅助条件。
交叉与变异：采用两点交叉和均匀整数突变的方式，增强种群多样性，避免陷入局部最优解。

因子一：wma(emals(low_, close_, 15), 5)
年化收益：20.90%，最大回撤：16.79%，交易次数：81次，夏普比率：0.69，胜率：60.49%，盈亏比：1.769
因子二：mean2(emals(ts_min(open_,15),ts_max(vol_,20),15), emails(clear_by_cond(vol_, open_, high_), open_, 15))
年化收益：21.31%，最大回撤：14.81%，交易次数：68次，夏普比率：0.72，胜率：67.65%，盈亏比：1.955
因子三：corr_n(wma(stddev(low_, 20), 15), maxi(mean2(close_, ifthen Else(close_, low_, open_, close_)，mean3(high_, low_, open_)，10)
年化收益：22.15%，最大回撤：15.21%，交易次数：175次，夏普比率：0.764，胜率：63.43%，盈亏比：1.477
因子四：cov_n(ta_kama(ta_kama(ta_kama(high_, 10), 15), 20), log(close_, 15)
年化收益：20.50%，最大回撤：14.44%，交易次数：104次，夏普比率：0.68，胜率：58.65%，盈亏比：2.18
因子五：ta_ht_dcpphase(ts_max(ta_beta(cov_n(close_, vol_, 15), high_, 10), 20)
年化收益：18.19%，最大回撤：13.90%，交易次数：111次，夏普比率：0.61，胜率：65.77%，盈亏比：1.437

通过组合多个有效因子，最终在沪深300指数上获得以下表现：

本文展示了遗传规划算法在宽基指数择时中的应用，通过构建复合适应度函数，筛选出多个有效因子，并最终形成一个表现优异的择时策略。未来将进一步研究该方法在其他宽基指数上的适用性，并探索更高效的因子组合方式，以实现“1+1>2”的效果。

展开完整摘要

试读结束，高清完整版pdf/doc/ppt,请点下载