设为首页 - 加入收藏
广告 1000x90
您的当前位置:主页 > 前沿领域 > 人工智能 > 正文

量化策略专题研究-以史为鉴 可知兴替:模式识别视角的行业轮动策略

来源:网络整理 编辑:小编 时间:2020-05-22 15:48
量化策略专题研究-以史为鉴 可知兴替:模式识别视角的行业轮动策略

  本篇报告聚焦于模式匹配算法在行业轮动方面的应用,对全部中信一级行业整体通过模式匹配寻找历史的相似时点,并根据相似时点未来的市场表现优化行业配置权重,其中采用了优化负相关时期和多尺度匹配的技巧提升策略的收益及稳健性,能够给投资者提供基于历史规律的行业配置观点。

    投资聚焦:(1)巴克莱2018 对冲基金调查显示过半的投资经理在投资决策过程中使用人工智能。近年来不少顶级人工智能专家转战证券投资领域,包括微软人工智能首席科学家和卡耐基梅隆大学机器学习系主任。国内的公募基金和资管机构也纷纷布局。(2)鉴于机器学习方法相对于传统方法有着一些独特的优势,本文尝试应用机器学习方法。在市场历史会重演的假设前提下,采用模式匹配算法,挖掘行业的轮动规律,并根据相似时点构建行业轮动策略。

    从相似模式看市场。根据相似性匹配历史来观察市场模式,并给出三个案例说明市场存在重演的模式和逻辑:(1)牛熊转换下的市场模式。以2015 年牛熊转换为研究对象,匹配得到的最相似时期为2008 年牛市顶峰时期,两者均显示了“银行抗跌”的逻辑。(2)“煤飞色舞”的行情模式。以2009 年“煤飞色舞”行情为对象匹配到最相似时期刚好为2007 年的“煤飞色舞”行情,捕捉到中游行情向上游转移的行情路径。(3)“后周期属性”的行情模式。以2018年“后周期属性”行情为对象匹配到最相似时期为2012 年的行情,两者均体现出中上游由强转弱,行情向下游转移的特征。

    策略主要步骤:匹配、优化和综合。(1)匹配:在历史中找到相似时期;(2)优化:根据相似时期优化资产组合;(3)综合:综合不同参数配置下子策略的输出结果。另外,我们还采用了两个增强策略效果的技巧:(a)利用负相关时期,将通常认为无信息量的非相似数据加入优化过程。(b)多尺度匹配,匹配过程中采用的收益率长度包括5 个交易日和10 个交易日两种尺度。

    模式匹配策略的历史表现。以28 个中信一级行业指数(去掉综合)2006-01至2009-12 的数据进行参数选择,2010-01 至2019-11 作为模拟测试时期。

      策略能够实现年化超额收益率8%,信息率0.94,超额收益的最大回撤仅8.37%,且在10 年中的8 年都战胜基准。从历史累计权重来看,金融、科技和消费排名靠前。

    相对收益匹配:损失Beta 信息的收益。采用相对收益进行匹配和优化时能够剔除Beta 的影响。但事实证明Beta 本身也包含重要的信息,剔除Beta 会损失收益。相对收益匹配策略年化超额收益率4.09%,信息率0.89,超额收益最大回撤6.41%。

    风险因素。模型风险;过度拟合风险;市场有效性显著上升;宏观事件冲击。


    本文网址:http://www.shlzwl.cn/a/qianyanlingyu/rengongzhinen/2020/0522/155276.html ,喜欢请注明来源。

相关文章:

网友评论:

发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
表情:
用户名: 验证码:点击我更换图片
量化策略专题研究-以史为鉴 可知兴替:模式识别视角的行业轮动策略

站长沙龙 www.shlzwl.cn 中国百万站长的福音,一站式服务。网站地图

Copyright © 2002-2019 站长沙龙 客服

Top