基于深度学习理念的高频交易策略.docx

《基于深度学习理念的高频交易策略.docx》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、目录1.引言32.交易异象识别思路及其有效性的判别方法42.1.交易异象识别识别42.1.1.新高现象定义：42.1.2.放量现象定义：42.1.3.有效性判定标准52.2.统计规律有效性的判别方法62.2.1.所造出的概率分布是否符合正态分布62.2.2.不同时间段的概率分布是否一致73.高频交易模型对主要指数成分股的实证分析83.1.上证50及沪深300内部成分股的实证分析83.1.1.策略设计83.1.2.对上证50及沪深300内部成分股的实证分析83.2.交易成本敏感性分析123.3.估算策略可容纳规模133.4.分析价量极值统计模型的适用性143.4.1.从股票波动率角度分析143.

2、4.2.从股票行业属性角度分析143.4.3.从市场系统性风险角度分析154.总结与展望161.引言由于A股市场做空工具的匮乏，从量化对冲的角度来看，市场上获取绝对收益一般都是通过持有超额收益的股票组合多头，加上股指期货的空头来实现的。目前获取超额收益的主要途径是从多因子模型角度来考虑的，无论是优化权重模型，还是IC-IR加权、亦或是BARRA模型，其本质上都是通过股票间的横向比较来获取超额收益，那么现在的问题是：我们是否可以从股票自身的择时来获取超额收益呢？这也是我们提出T0系列策略的初衷，希望将个股择时与多因子模型结合起来，给投资者带来更多思路。本篇是我们高频T0策略系列的第一篇报告。从交

3、易的角度来看，T0策略包括三大类：动量突破、联动效应、日内回转（俗称“接飞刀”）。我们也准备从这个角度切入来研究高频策略，但是不同于手工交易员的操作思路，我们更加看重的是从数理统计和数据挖掘的角度来探讨A股背后的数据规律，并在此基础上构建相应的策略模型。按照上述分类，本篇报告的T0策略属于中周期的动量突破类策略。本篇报告在实现过程中纳入了深度学习的理念及部分算法。从算法应用层面看，深度学习在图像处理领域更加成熟，其类似于一种图像降维技术，通过提取图像中的特征值对类似图像进行匹配。本文通过深度学习的方法对参数组及胜率的多维空间进行降维，并对其分布形态进行评估，从而确定模型泛化能力，这符合深度学习

4、在图像识别领域的逻辑，也与研究目的更加契合。在本篇报告中，应用我们提出的方法对主要指数成分股进行了实证分析。模型自2010年5月至2019年5月，在扣除所有成交成本（双边按照0.15计算交易费用），及保持指数原有权重不变的情况下，相对上证50指数，实现年化T0收益3.94，最大回撤-0.45，信息比率8.75；相对沪深300指数，实现年化T0收益4.19，最大回撤-0.21，信息比率高达19.95，T0收益整体表现优异。我们的研究主要分为三个部分：第一部分主要是介绍交易异象思路设计以及概率分布有效性的判别方法，第二部分在寻找有效概率分布的基础上构建交易策略并给出主要指数成分股的实证分析，

5、也给出了交易成本敏感性及策略容量规模的分析，第三部分我们主要从股票波动率、行业属性及市场系统风险方面，讨论了价量极值统计规律T0策略的适应性问题，最后在此基础上提出一些进一步研究的方向。T0策略与多因子策略的相关性很低，具有很强的互补性，我们认为这应该也是量化对冲领域未来发展的重要方向之一，现有的优秀Alpha策略基本上都是将这两块结合起来考虑的，我们也想在这个方面做一个尝试，希望能起到抛砖引玉的作用。1.交易异象识别思路及其有效性的判别方法1.1.交易异象识别识别从过去10年上交所统计年鉴可以看到，A股仍然是个人交易为主的市场，与成熟的资本市场相比，对信息的反应往往具有一定的滞后性。从这个角

6、度来说，放量新高及放量新低对判断指数涨跌是具有参考价值的，这也是技术派常用的指标之一。从低频应用的结果来看，如果仅仅只是根据单一指标来择时结果是比较糟糕的，其中最重要的原因是低频择时策略的胜率不高，大约在55左右。与此同时，低频领域可交易次数过少，这个胜率很难通过足够统计样本使结果达到相对稳定。此外，低频交易的持仓时间长，暴露于基本面的风险大，净值很难达到稳定。但是，高频交易借助于其持仓时间短，交易频率快，交易次数多的优势，能够有效提高策略净值的稳定性，这是高频相对低频择时的重要优势之一。沿着这个思路，我们提出了对所有指数成分股在tick数据级别下的交易异象规律统计策略，相对于单一的指数来说，

7、个股组合的可交易次数极大的提高，这在一定程度上保证了能够稳定实现胜率的途径。下面，我们以放量新高现象为例，阐述策略逻辑。1.1.1.新高现象定义：新高的定义，即当前价格是过去一段时间的最大值，显然时间窗口参数N的取值频度设置对最终算力有较大的影响，这里我们给出的建议是以天为基础单位给出的一组参数：（0.25天、0.5天、0.75天、1天、1.5天、2天、2.5天、3天、3.5天、4天、4.5天、5