吳青山

摘? ?要：量化擇時(shí)策略是量化投資和量化交易的核心策略，需要考慮到特征因子的含義和資產(chǎn)價(jià)格的漲跌幅度。基于此，使用XGBoost、LightGBM等樹(shù)類模型提取了分類指標(biāo)，構(gòu)建了考慮到止盈止損區(qū)間的量化交易模型，并用于滬銅期貨的量化投資交易分析。實(shí)證結(jié)果表明，該方法能有效預(yù)測(cè)資產(chǎn)價(jià)格的漲跌幅度，且使用機(jī)器學(xué)習(xí)可解釋性分析得到的解釋結(jié)果具有解釋能力，符合實(shí)際情況。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；量化投資；期貨

中圖分類號(hào)：F832.5? ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2023）02-0083-03

引言

隨著大數(shù)據(jù)技術(shù)以及人工智能技術(shù)，在金融領(lǐng)域逐漸被廣泛使用，帶來(lái)了量化擇時(shí)交易的興起。量化擇時(shí)交易具體是指使用數(shù)量化的方法對(duì)諸如股票之類的金融產(chǎn)品進(jìn)行價(jià)格預(yù)測(cè)，從而在某一段時(shí)間進(jìn)行交易的行為?，F(xiàn)有的關(guān)于量化擇時(shí)交易的相關(guān)文獻(xiàn)大致可分為兩類，一類是基于基本面數(shù)據(jù)指標(biāo)進(jìn)行量化交易操作，另一類是基于技術(shù)面數(shù)據(jù)指標(biāo)進(jìn)行量化交易操作。

基于基本面數(shù)據(jù)指標(biāo)的量化交易策略，是指分析股票的基本面因素，從而使用基本面指標(biāo)對(duì)股票的未來(lái)價(jià)格進(jìn)行預(yù)測(cè)，投資者根據(jù)預(yù)測(cè)價(jià)格做出相應(yīng)的交易行為。在基本面分析中，不同的因子對(duì)股票的價(jià)格影響趨勢(shì)不同，對(duì)不同股票的影響程度也不同。基于技術(shù)面數(shù)據(jù)指標(biāo)的量化交易策略，是指分析股票的技術(shù)指標(biāo)，對(duì)比價(jià)和量、識(shí)別趨勢(shì)以及反轉(zhuǎn)，從而預(yù)判股票將來(lái)的價(jià)格區(qū)間，投資者根據(jù)預(yù)判做出相應(yīng)的交易行為。關(guān)于技術(shù)面，國(guó)內(nèi)外已有不少學(xué)者做出了深入的研究。例如，Murphy通過(guò)對(duì)前人的研究進(jìn)行分析和總結(jié)，概括出了技術(shù)分析得到假設(shè)前提，并預(yù)判了各種事件和因素對(duì)股票的交易價(jià)格和交易量的影響趨勢(shì)和影響程度。

根據(jù)機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型突出的擬合性能，該類模型被廣泛應(yīng)用于預(yù)測(cè)股票的價(jià)格和趨勢(shì)，進(jìn)而被引入到量化投資領(lǐng)域中。譬如，Tenti使用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)期貨價(jià)格，并做出交易策略；Kamruzzaman使用神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)ARIMA模型進(jìn)行對(duì)比分析研究，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型對(duì)股票價(jià)格的預(yù)測(cè)精度明顯高于ARIMA模型。

一、技術(shù)指標(biāo)和模型介紹

在量化交易領(lǐng)域的常用技術(shù)指標(biāo)分為趨勢(shì)類、動(dòng)量類、能量類和區(qū)間突破類等，部分技術(shù)指標(biāo)是用開(kāi)盤(pán)價(jià)、收盤(pán)價(jià)、最低價(jià)、最高價(jià)以及成交量和換手率等歷史數(shù)據(jù)計(jì)算得到。下面列出本文用到的技術(shù)指標(biāo)。

移動(dòng)平均線（SMA）計(jì)算一段時(shí)間內(nèi)的標(biāo)的資產(chǎn)價(jià)格的平均值，是一種通過(guò)平滑數(shù)據(jù)消除標(biāo)的資產(chǎn)價(jià)格短期波動(dòng)，對(duì)資產(chǎn)價(jià)格的長(zhǎng)期趨勢(shì)進(jìn)行分析的技術(shù)指標(biāo)。動(dòng)量指數(shù)（MOM）是研究金融資產(chǎn)價(jià)格波動(dòng)速度的技術(shù)指標(biāo)，原理是金融資產(chǎn)價(jià)格的漲跌幅會(huì)隨著時(shí)間的推移而慢慢減小。威廉指標(biāo)（WR）研究金融資產(chǎn)價(jià)格波動(dòng)幅度的技術(shù)指標(biāo)。相對(duì)強(qiáng)弱指數(shù)（RSI）是研究金融資產(chǎn)價(jià)格波動(dòng)幅度的技術(shù)指標(biāo)。隨機(jī)森林（Random Forest，RF）算法是一種經(jīng)典的裝袋法（Bagging）模型，由Breiman（2001）提出其基學(xué)習(xí)器為決策樹(shù)模型。XGBoost（eXtreme Gradient Boosting）最早提出于2016年（Chen and Guestrin，2016），它是在GBDT的基礎(chǔ)上引入正則化損失函數(shù)來(lái)實(shí)現(xiàn)弱學(xué)習(xí)器的生成，加入正則化的損失函數(shù)可以起到降低過(guò)擬合的風(fēng)險(xiǎn)。LightGBM算法是Boosting算法的新成員，它和XGBoost算法一樣是對(duì)GBDT算法的高效實(shí)現(xiàn)（Ke et al.，2017）在框架上做了優(yōu)化。決策樹(shù)是一種基本的分類和回歸算法，模型結(jié)構(gòu)呈現(xiàn)樹(shù)狀。

二、量化擇時(shí)系統(tǒng)構(gòu)建

本文選取的數(shù)據(jù)是2000年1月19日到2021年10月31日的滬銅期貨合約的歷史交易數(shù)據(jù)，數(shù)據(jù)來(lái)源為wind數(shù)據(jù)庫(kù)。該數(shù)據(jù)包括期貨合約的開(kāi)盤(pán)價(jià)、收盤(pán)價(jià)、最高價(jià)、最低價(jià)還有成交量。本文使用的XGBoost、LightGBM、隨機(jī)森林和決策樹(shù)等模型都屬于有監(jiān)督學(xué)習(xí)，訓(xùn)練該類模型都需要標(biāo)簽。本文的標(biāo)簽定義為是否買(mǎi)入或者賣出標(biāo)的資產(chǎn)，若買(mǎi)入則為“+1”，若賣出則為“-1”。

關(guān)于機(jī)器學(xué)習(xí)算法在量化投資中的運(yùn)用，現(xiàn)有的大部分做法都是將計(jì)算出來(lái)的技術(shù)指標(biāo)直接帶入模型中進(jìn)行預(yù)測(cè)，沒(méi)有考慮到技術(shù)指標(biāo)本身特有的含義和性質(zhì)，若使用這些技術(shù)指標(biāo)的特性可能會(huì)對(duì)標(biāo)的的價(jià)格走勢(shì)進(jìn)行更好預(yù)測(cè)。在實(shí)際操作中，交易狀態(tài)不僅僅有買(mǎi)入和賣出，還有觀望狀態(tài)，而且針對(duì)不同的特征，其閾值是不同的。因此，本文使用分位數(shù)代替閾值，在增加靈活性的同時(shí)不丟失特征本身的特性。仍以SMA為例，當(dāng)SMA數(shù)值大于75%分位數(shù)時(shí)，標(biāo)簽為“-1”；當(dāng)數(shù)值小于25%分位數(shù)時(shí)，標(biāo)簽為“-1”；當(dāng)數(shù)值在25%分位數(shù)和75%分位數(shù)之間時(shí)，標(biāo)簽為“0”，表示觀望。

本文參考相關(guān)學(xué)者的文獻(xiàn)，選用累計(jì)收益率、夏普比率（Sharpe Ratio）和索提諾比率（Sortino Ratio）作為量化交易模型的評(píng)價(jià)指標(biāo)。其中，Sharpe Ratio主要被用于評(píng)價(jià)基金的投資績(jī)效。其計(jì)算方法為超額收益的期望除以收益的標(biāo)準(zhǔn)差。該指標(biāo)全面考慮了風(fēng)險(xiǎn)和收益。具體表現(xiàn)為，該指標(biāo)數(shù)值越大，說(shuō)明該投資組合的表現(xiàn)越好；反之，則說(shuō)明該投資組合的表現(xiàn)越差。后來(lái)，研究者在Sharpe Ratio的基礎(chǔ)上提出了Sortino Ratio，該指標(biāo)剔除了股票價(jià)格上漲的風(fēng)險(xiǎn)，即獲得的收益不計(jì)入風(fēng)險(xiǎn)的計(jì)算中。

三、實(shí)證結(jié)果

滬銅描述性統(tǒng)計(jì)如表1所示。

本文選用的基準(zhǔn)策略為多數(shù)投票策略和隨機(jī)策略，多數(shù)投票策略是指根據(jù)特征的買(mǎi)入和賣出標(biāo)簽的個(gè)數(shù)進(jìn)行投票，個(gè)數(shù)多的信號(hào)為最終信號(hào)，決定買(mǎi)入或者賣出行為。隨機(jī)策略是根據(jù)隨機(jī)信號(hào)進(jìn)行買(mǎi)入或者賣出操作。

本文使用的投資模型為滾動(dòng)訓(xùn)練集的方法進(jìn)行訓(xùn)練，用最近的50個(gè)樣本訓(xùn)練模型，預(yù)測(cè)當(dāng)前期的結(jié)果；并根據(jù)模型特征重要性選出了重要特征，對(duì)模型進(jìn)行了可解釋性分析。實(shí)驗(yàn)結(jié)果如表2所示。

表2是在各種量化投資模型下的投資績(jī)效，可以從表中看出隨機(jī)森林模型下的累計(jì)收率最高，擇時(shí)準(zhǔn)確率也最高，綜合表現(xiàn)優(yōu)于其他模型。說(shuō)明該模型可提升技術(shù)指標(biāo)對(duì)標(biāo)的資產(chǎn)的預(yù)測(cè)能力以及擇時(shí)交易的能力。

圖1為各模型下的累計(jì)收益率曲線圖，從圖中可看出，收益率最高的為隨機(jī)森林模型，其次為XGBoost模型、LightGBM模型和決策樹(shù)模型。

結(jié)語(yǔ)

隨著金融市場(chǎng)的發(fā)展，量化交易也在發(fā)展并成為交易市場(chǎng)中的重要組成部分。因此，科學(xué)合理地設(shè)計(jì)量化交易策略就顯得尤為重要。目前，機(jī)器學(xué)習(xí)算法由于其良好的擬合能力和預(yù)測(cè)能力，已被廣泛應(yīng)用量化投資領(lǐng)域中。本文使用的機(jī)器學(xué)習(xí)模型就可以印證這一點(diǎn)。還有，本文使用的具有止盈止損限制的交易方式，對(duì)于模擬實(shí)際交易有現(xiàn)實(shí)意義。本文的研究為投資者的交易提供了有效的參考，具有實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]? ?張華，任若恩.基于Dempster-Shafer證據(jù)理論的外匯交易策略研究[J].數(shù)理統(tǒng)計(jì)與管理，2013，32（3）：452-461.

[2]? ?林文修，蔡秉洲.集成基因表達(dá)規(guī)劃法應(yīng)用于動(dòng)態(tài)股票交易策略探勘之研究[J].中國(guó)管理科學(xué)，2015，23（S1）：510-517.

[3]? ?禹建麗，孫增圻，Valeri.Kroumov，成久洋之，劉治軍.基于BP神經(jīng)網(wǎng)絡(luò)的股市建模與決策[J].系統(tǒng)工程理論與實(shí)踐，2003，（5）：15-19，58.

[4]? ?陳榮達(dá)，虞歡歡.基于啟發(fā)式算法的支持向量機(jī)選股模型[J].系統(tǒng)工程，2014，32（2）：40-48.

[5]? ?周銘山，馮新力，林靚，方旭赟，周開(kāi)國(guó).A股市場(chǎng)均線策略有效性與收益率隨機(jī)特征研究[J].證券市場(chǎng)導(dǎo)報(bào)，2013，（1）：58-64.

Research on Futures Quantitative Timing Strategy Based on Machine Learning

WU Qing-shan

（School of Economics， Guizhou University， Guiyang 550025， China）

Abstract： Quantitative timing strategy is the core strategy of quantitative investment and quantitative trading， which needs to take into account the meaning of characteristic factors and the rise and fall of asset prices. If so， we use XGBoost， LightGBM and other tree models to extract classification indicators， build a quantitative trading model considering the stop-loss interval， and use it to analyze the quantitative investment and trading of Shanghai Copper Futures. The empirical results show that this method can effectively predict the rise and fall of asset prices， and the interpretation results obtained by machine learning interpretability analysis have explanatory power， which is consistent with the actual situation.

Key words： machine learning; quantitative investment; futures

[責(zé)任編輯? ?若? ?云]