20170904-广发证券-趋势策略的深度学习增强_40页_3mb

趋势策略的深度学习增强总结

核心内容

本文探讨了如何利用深度学习技术，特别是循环神经网络（RNN）和长短期记忆单元（LSTM），来增强趋势交易策略的性能。通过对沪深300指数期货早盘走势的分析，结合机器学习方法判断市场趋势是否强烈，以提高趋势交易的盈利概率。

主要观点

• 趋势交易的潜力：趋势交易在市场趋势强时容易获得收益，因此需要有效的方法筛选出适合趋势交易的日期。
• 趋势指标的定义：定义趋势策略盈利指标 $ R = \frac{|Close - Open|}{\text{High} - \text{Low}} $，用于衡量当日趋势策略的盈利可能性。
• 深度学习的应用：使用深度学习模型，特别是LSTM，对时间序列数据进行建模，以捕捉市场中的时序依赖关系。
• 模型结构与训练：采用3层RNN结构（输入层13维、隐层200维、输出层1维），使用sigmoid函数作为输出激活函数，交叉熵作为优化目标。
• 参数优化：通过BPTT（Back Propagation Through Time）算法优化模型参数，解决了传统RNN的梯度消失和爆炸问题。
• 策略表现：在样本外回测中，策略表现出良好的收益能力，年化收益率达到18.47%，最大回撤为-8.63%。同时，策略在不同交易成本下仍保持相对稳定的表现。

关键信息

数据与模型设置

• 交易标的：沪深300指数期货主力合约（IF股指期货）
• 训练期：2010年4月16日至2013年12月31日
• 回测期：2014年1月1日至2017年7月31日
• 输入特征：分钟行情的开盘价、收盘价、最高价、最低价、成交量、主买量、主卖量、收盘价变化率、收盘价序列的二阶差分、主买主卖量之比、成交量变化率、主买量变化率、主卖量变化率
• 输出维度：1维（趋势盈利概率 $ p $）

策略流程

1. 模型训练：使用训练数据优化RNN模型参数。
2. 趋势判断：根据模型预测的盈利概率 $ p $，计算其120日均线，若 $ p > MA120(p) $，则进行趋势交易。
3. 交易决策：根据当日趋势方向（涨或跌）决定开仓方向。
4. 回测与评估：在样本外回测中，评估策略的年化收益率、最大回撤、胜率、盈亏比等关键指标。

模型表现

不同交易成本下的表现

对照策略表现

• 对照策略：当 $ p $ 小于120日均线时进行趋势交易。
• 表现：年化收益率为-0.84%，累计收益率为-2.90%，最大回撤为-16.33%，胜率为0.387226，盈亏比为1.58，单次交易收益率为0.00%。

结论

• LSTM的优势：LSTM通过引入“门”机制，有效解决了传统RNN在长周期时序依赖建模中的梯度消失和爆炸问题，从而提高了模型的预测能力。
• 趋势策略的有效性：实证表明，通过深度学习增强的趋势策略在样本外回测中表现优于传统趋势交易方法，能够过滤盈利机会较小的交易信号，实现稳定收益。
• 局限性：本文基于合理假设构建模型，可能无法完全准确地反映现实市场环境。同时，由于数据为历史时间序列，策略表现可能与未来市场情况存在偏差。

注意事项

• 模型假设：本文对市场及相关交易做了合理假设，可能导致模型与实际市场存在差异。
• 数据局限性：使用的历史数据可能与未来市场情况不一致，因此策略表现需谨慎评估。
• 免责声明：本报告仅供广发证券重点客户使用，不对外公开发布。报告内容不构成投资建议，客户需结合自身情况独立决策。

参考图示

• 图4：EMDT策略历史表现
• 图5：盈利概率 $ p $ 的走势
• 图6：不同交易成本下的策略净值
• 图7：样本外年化收益与最大回撤
• 图8：对照策略表现

附录

• 模型公式：

  • $ y _ {k} = \sigma_ {o} \left{ \sum_ {j = 1} ^ {N _ {2}} (w _ {k j} ^ {(2)} h _ {j} ^ {(2)} + w _ {k 0} ^ {(2)}) \right} $
  • $ h _ {j} ^ {(2)} = \sigma_ {h} \left{ \sum_ {i = 1} ^ {N _ {1}} (w _ {j i} ^ {(1)} h _ {i} ^ {(1)} + w _ {j 0} ^ {(1)}) \right} $
  • $ h _ {j} ^ {(1)} = \sigma_ {h} \left{ \sum_ {i = 1} ^ {N _ {x}} (w _ {j i} ^ {(0)} x _ {i} + w _ {j 0} ^ {(0)}) \right} $

• LSTM公式：

  • 输入门：$ \pmb {i} _ {t} = \sigma \big (\pmb {W} ^ {(x i)} \pmb {x} _ {t} + \pmb {W} ^ {(h i)} \pmb {h} _ {t - 1} + \pmb {b} ^ {(i)} \big) $
  • 遗忘门：$ \pmb {f} _ {t} = \sigma \big (\pmb {W} ^ {(x f)} \pmb {x} _ {t} + \pmb {W} ^ {(h f)} \pmb {h} _ {t - 1} + \pmb {b} ^ {(f)} \big) $
  • Cell状态更新：$ \pmb {c} _ {t} = \pmb {f} _ {t} \otimes \pmb {c} _ {t - 1} + \pmb {i} _ {t} \otimes \mathrm {t a n h} \big (\pmb {W} ^ {(x c)} \pmb {x} _ {t} + \pmb {W} ^ {(h c)} \pmb {h} _ {t - 1} + \pmb {b} ^ {(c)} \big) $
  • 输出门：$ \pmb {o} _ {t} = \sigma \big (\pmb {W} ^ {(x o)} \pmb {x} _ {t} + \pmb {W} ^ {(h o)} \pmb {h} _ {t - 1} + \pmb {b} ^ {(o)} \big) $
  • LSTM单元输出：$ \pmb {h} _ {t} = \pmb {o} _ {t} \otimes \mathrm {t a n h} (\pmb {c} _ {t}) $

• 参数优化：使用BP算法和迷你批量梯度下降法优化模型参数，以最小化均方误差（MSE）。

• 交易成本影响：交易成本提高会降低策略的年化收益率和累计收益率，但策略仍保持相对稳定的表现。

图像说明

• 图4：EMDT策略历史表现
• 图5：盈利概率 $ p $ 的走势
• 图6：不同交易成本下的策略净值
• 图7：样本外年化收益与最大回撤
• 图8：对照策略表现

总结

本文通过引入深度学习技术，特别是LSTM，显著提升了趋势交易策略的性能。实证表明，该策略在样本外回测中表现良好，年化收益率达18.47%，最大回撤为-8.63%。模型能够有效识别市场趋势，过滤低盈利机会的交易信号，实现稳定收益。尽管存在一定的假设和数据局限性，该策略仍为趋势交易提供了一种新的视角和方法。