20230328-东证期货-国债期货量化系列四_基于多种深度学习模型的策略框架探讨_32页_1mb

国债期货量化策略框架与深度学习模型应用总结

核心内容

本报告探讨了在目标收益波动率约束下，如何利用多种深度学习模型构建多品种国债期货的量化策略框架，并通过不同降维方法优化模型性能。报告分析了自编码器（SAE）、长短期记忆网络（LSTM）、门控循环单元（GRU）、卷积神经网络（CNN）等模型在国债期货及价差预测中的表现，并提出了基于多模型混合的仓位配置策略。

主要观点

• 模型选择：报告使用了多种深度学习模型，包括SAE、LSTM、GRU、CNN，并结合随机失活（Dropout）进行训练优化。
• 降维方法：采用主成分分析（PCA）和堆栈式自编码器（SAE）两种降维方法，根据不同品种选择不同的降维方式以优化模型表现。
• 损失函数：采用均方误差（MSE）和夏普损失函数，其中夏普损失用于优化收益与风险比，MSE用于直接预测收益率。
• 仓位预测：模型直接预测仓位，通过波动率调整后的日收益率作为目标变量，并根据模型预测结果进行线性伸展，以控制杠杆水平。
• 混合策略：推荐采用多模型混合策略，分别分配70%资金于T的SAE+LSTM（均方误差优化），15%资金于TF的PCA+GRU（均方误差优化），15%资金于2TF-T的LSTM（均方误差优化）。

关键信息

模型表现

• 十年期国债期货（T）：

  • PCA降维：总体效果优于SAE。
  • SAE+LSTM：夏普损失优化模型在跟踪集夏普比率为1.26，优于业绩基准（0.83）。
  • GRU：夏普损失优化模型在跟踪集夏普比率为1.67，表现最优。
  • LSTM+CNN：在跟踪集夏普比率为1.72，优于PCA降维模型。
  • 均方误差优化模型：GRU在跟踪集夏普比率为2.51，表现最佳。

• 五年期国债期货（TF）：

  • SAE降维：在夏普损失优化模型中表现优于PCA。
  • PCA降维：在均方误差优化模型中表现优于SAE。
  • GRU：夏普损失优化模型在跟踪集夏普比率为1.89，表现最佳。
  • LSTM：均方误差优化模型在跟踪集夏普比率为2.00，表现最优。

• 国债期货价差（2TF-T）：

  • PCA降维：总体效果优于SAE。
  • LSTM：均方误差优化模型在跟踪集夏普比率为2.05，表现最佳。

策略表现

• 混合策略：

  • 初始集夏普比率分别为1.28（2倍杠杆）、1.31（2.5倍杠杆）、1.34（3倍杠杆）。
  • 跟踪集夏普比率分别为1.31、1.33、1.34，均优于业绩基准（0.32）。
  • 净值曲线平滑，说明策略稳定性较好。

• 业绩基准：

  • 混合品种投资（1/3 T + 1/3 TF + 1/3 (2TF-T)）作为比较基准。
  • 业绩基准在初始集夏普比率为0.63，跟踪集为0.32。

仓位控制

• 杠杆上限：各品种杠杆上限约为2倍。
• 仓位转换方法：采用线性伸展方式，将模型预测的仓位信号缩放至杠杆上限内，以控制收益率波动。
• 模型预测范围：根据训练集预测仓位的75%分位数作为伸展系数，确保模型预测的稳健性。

模型结构与参数设置

• 模型结构：
  • GRU：三层GRU + 两层全连接层。
  • LSTM：三层LSTM + 两层全连接层。
  • LSTM+CNN：一层LSTM + 一层CNN + 一层池化 + 两层LSTM + 两层全连接层。
  • LSTM+GRU：一层LSTM + 两层GRU + 两层全连接层。
• 超参数设置：
  • 包括神经元数量、epoch数、batch size等。
  • 随机失活概率为10%。
  • 优化器为Adam。

风险提示

• 本报告模型基于历史数据构建，存在失效风险。
• 回测假设滑点为0，无风险利率为0，与实际交易条件可能存在差异。
• 模型表现可能受市场环境变化影响，需持续监控与优化。

结论

报告提出了一种基于深度学习模型的多品种国债期货量化策略框架，通过优化模型结构与降维方式，结合不同损失函数提升策略表现。最终推荐的混合策略在初始集和跟踪集均表现出优于业绩基准的夏普比率，具有较好的收益风险比和稳定性。