20180305-广发证券-人工智能算法应用_基于条件随机场的周频择时策略_32页_2mb

报告摘要

本报告围绕基于条件随机场（CRF）的周频择时策略展开，探讨了人工智能与机器学习在量化投资领域的应用，特别是CRF在择时模型中的构建与优化。报告还回顾了过往相关的择时策略研究，并对不同结构的模型（如链式结构与完全图结构）进行了比较，分析了其在不同指数上的表现。

人工智能与机器学习在量化投资中的应用
- 人工智能算法不断引入量化研究，为投资策略提供了新的方法论支持。
- 条件随机场（CRF）作为一种判别模型，被用于最大化条件概率 $ \mathrm{p}(\mathbf{y}|\mathbf{x}) $，适用于处理序列数据中的状态依赖关系。
条件随机场模型原理
- CRF 通过无向图结构建模，考虑状态之间的相关性。
- 通过前向后向算法进行概率计算，使用推特比算法进行最优状态序列的预测。
- 兼容函数采用指数族形式，特征函数基于输入特征和状态值的匹配。
预测指标与模型参数
- 从涨跌幅、换手率等基础数据出发，衍生出多种预测特征。
- 有效指标包括：收盘价连涨连跌序列、涨跌幅、涨跌幅波动率、换手率波动率等。
- 通过筛选，保留表现较好的指标用于构建择时模型。
模型结构比较
- 链式结构在样本外表现优于完全图结构，主要因其更不易过拟合，参数估计更准确。
- 链式结构在沪深300、上证综指和深证成指上的择时表现更为稳健。
择时策略的实证表现
- CRF择时策略在样本外测算中表现优于市场基准，年化收益率显著高于指数年化收益率。
- 不同指数的择时策略表现各异，沪深300和上证综指的收益回撤比较高，但年化收益率仍优于基准。

预测指标	指标参数	计算公式
收盘价连涨连跌序列	n1=3	CPt: 1, P_{t-i} < P_{t-i+1}; -1, P_{t-i} > P_{t-i+1}; 0, 其他
涨跌幅	-	PCTCHG_t = (P_t - P_{t-1}) / P_{t-1}
涨跌幅差值符号序列	-	PCTCHG_SIGN_t: 1, 涨跌幅上升; -1, 涨跌幅下降; 0, 其他
涨跌幅波动率	n2=3	PCTCHG_VIOLAT_t = std(PCTCHG_{t-n_2+1}, ..., PCTCHG_t)
涨跌幅连涨连跌序列	n3=3	CPCTCHG_t: 1, 涨跌幅上升; -1, 涨跌幅下降; 0, 其他
换手率	-	TURN_t
平稳换手率	n4=5	TURN_MA_t = TURN_t / mean(TURN_{t-n_4+1}, ..., TURN_t)
换手率波动率	n5=3	TURN_VIOLAT_t = std(TURN_{t-n_5+1}, ..., TURN_t)
换手率连涨连跌序列	n6=3	CTURN_t: 1, 换手率上升; -1, 换手率下降; 0, 其他