本报告基于兴证期货研发中心构建的Adaboost非线性择时模型,提出引入线性化技术指标因子,弥补非线性模型忽略的因子线性关系,显著提升日频单边做多策略的择时收益。实证结果显示,加入线性化因子的模型在IF合约和IC合约的回测中分别提升择时收益近20%和34%,同时保持回撤基本不变,验证了该因子线性优化与非线性模型结合的有效性,为量化择时策略的设计提供了新思路 。
报告标题:《股指单边做多策略:非线性择时模型中的因子线性优化》
作者/机构: 兴证期货研发中心金融工程研究团队(韩倞、王锴)
发布日期: 2020年2月19日
研究主题: 基于金融工程方法对股指期货市场单边做多策略的择时模型进行改进,通过因子线性优化融入线性关系提升非线性模型预测能力。
核心论点及信息:
报告基于上一期《股指期货量化展期与择时对冲》中的择时模型,重点突破原有中低频基本面因子结合非线性boosting与bagging算法的局限,着眼于如何将传统技术指标——特别是以量价数据构建的短频因子通过线性化处理嵌入非线性模型。目的是在不增加回撤风险的同时显著提升单边做多策略的择时收益率,经实证对比发现,带有线性化因子的非线性模型,回测收益相较基准策略有20%~34%的提升,表明线性与非线性结合提升了模型的预测能力和策略表现效果。这是报告希望传达的关键价值 。
报告首先回顾已有以64个因子(涵盖技术、资金、宏观、估值和市场情绪等)为输入的Adaboost择时模型,使用周频信号预测股指未来跌幅。该模型对多因子的非线性关系辨识及择时胜率达65%以上有积极贡献。但将周频切换为日频信号时,策略胜率下降,说明模型未能捕捉日频中的短期交易机会。通过因子重要性排名对比发现,周频模型中多以宏观及指数成分上涨比例等因子为主;但在日频模型里,微观量价因子虽然数量多但排名相对靠后,显性作用不足。此外,技术指标等构成的短线因子单独表现不佳,暗示传统决策树非线性特征选择方法对线性关系学习有限。报告由此提出因子“线性化”改造需求以融入部分线性关系,提高模型反应短线行情的能力。
技术指标普遍基于价格移动趋势、成交量、超买超卖状态等构建,种类繁多,但这些指标往往依赖与动态参考变量的相对关系,而非绝对值。比如KDJ指标的有效信号来源于K线和D线的交叉,而非单点数值大小。基于此,报告创新地通过对技术指标的关键组成部分进行自然对数变换后的比例计算(例如log(K/D), log(K/J),log(D/J) )获得线性化的新因子,赋予机器学习模型中更直观的线性解释能力。类似地,对BOLL指标处理为当前价格与上下轨比例,MACD指标用log(DIF/DEA)表达相对趋势。
这一步骤尤其强调因子内变量关系的“对比”和“一阶滞后”的周期性差分,极大增强了因子信息的深度表达和有效性,避免了传统技术指标因绝对值无意义导致的预测力弱的问题。
线性化因子的引入增加了变量间的多重共线性风险,一般相关性检验和逐步回归无法有效处理。针对该问题,报告说明以决策树为基础的集成学习算法(如Adaboost)天然适应处理高度相关的输入变量,因为它们通过非线性区间识别策略自动剔除重复信息。例如图1(单位决策树)展示了基于7日回购利率的简单划分逻辑,示意变量作用的非线性和条件分界。此算法通过多次迭代调整权重,提升弱分类器组合的泛化能力,规避了共线性带来的问题,也提升了模型的稳定性和鲁棒性。
模型基于Adaboost算法,使用69个因子(IF合约标的)和62个因子(IC合约标的)及其一阶和二阶差分量,构造全因子输入体系。目标变量设置为次日涨幅是否超过1.5%阈值,实现二分类。模型参数(比如弱分类器数量、树深度、权重缩减参数等)以交叉验证优化确定,兼顾防止过拟合和提升泛化能力。交易策略设计为日内根据前一交易日的开盘数据预测次日走势,持有多头仓位时继续持有直到预测信号转负或合约即将到期做展期。该策略简洁明了,贴合日内交易实际情形,侧重于短线择时能力的强化。
实证以2018年1月至2020年1月IF和IC期货合约为标的,成本费用设置合理(交易成本0.03%,手续费0.002%,保证金20%)。通过图3和表3对IF合约策略净值、累计收益率、年化收益率、最大回撤、夏普比率及择时胜率等指标进行了分析对比。结果表明,含线性化因子的单边做多策略相较基准策略1(无线性化因子):
整体来看,线性化技术指标的引入显著提升了两个主要股指期货合约的择时表现,特别在收益率和择时胜率上贡献明显,且风险基本可控。
对比持有多头的非择时策略(基准策略2)则表现大幅弱势,强调择时模型的必要性和有效性 。
展示以7日逆回购利率为变量的简单决策树分叉示例,体现非线性决策边界的模型构建方式。例如当利率满足某一条件“是”则预测涨,“否”则预测跌。此图形象说明决策树的区间识别能力,且多棵弱分类树组合成集成模型避免过拟合问题,为后续非线性特征选择提供理论基础。
从训练集样本权重开始,经多个弱分类器的迭代训练,每轮根据前轮错误率调整样本权重,弱分类器结合为强学习器。该流程保证后续弱分类器重点学习前一轮预测错误的样本,提升整体预测准确率。集成学习本质增强了模型泛化能力和抗噪声能力。
两图均显示包含线性化因子单边做多策略(蓝线)相较于基准策略1(红线)和非择时持有多头(绿线)的净值提升趋势明显。
通过周频和日频模型中因子排名对比,清晰揭示短线技术指标在周频模型中排名较低,而在日频模型中宏观估值类因子重要性下降,且市场行情技术指标排名上升但仍不突出,暗示非线性模型未充分挖掘短线因子潜力。为线性化因子引入以解决该结构性问题提供了理论基础。
列举KDJ、BOLL、MACD三个经典技术指标的线性化因子构建方法,转换为对数比例形式,定量反映内部相对关系,方便模型利用线性信号提升预测性能。
均展示各策略的累计收益率、年化收益率、最大回撤、夏普比率及择时胜率等关键指标,充分量化了模型改进后策略效能的提升,验证了因子线性优化的实证效用。
该报告核心为量化择时策略模型优化,未涉及传统证券估值内容,故不含企业估值方法论讨论。主要聚焦于机器学习模型的预测能力和策略收益表现,采用统计和收益风险指标衡量体系。
报告未专门罗列风险因素章节,但结合内容可识别主要潜在风险:
本报告系统地展示了股指期货市场单边做多策略的一个关键改进方向:通过对传统技术指标的线性化处理,将部分线性因子有效融入非线性Adaboost择时模型,成功提高了模型的日频信号预测能力及短线择时收益。
核心贡献包括:
图表数据强化了上述结论:因子排名揭示模型结构缺陷,线性化技术指标表明转换思路,策略净值曲线与收益表格量化策略实际收益。算法流程和决策树示意图为技术细节提供了可视化支持。
总体来看,本报告以客观严谨的量化方法和清晰的实证分析支持了一种有效提升股指期货日内择时策略性能的路径,值得在更广泛的衍生品策略构建中参考和推广。
6371821968483563568414741.pdf