本文提出基于条件生成对抗网络(cGAN)的量化策略参数调优框架,通过生成大量拟真未来收益率路径,批量回测备选参数,依据大数定律甄别参数本质表现以降低模型过拟合风险。以中债-国债总净价指数为标的,采用滚动训练方式,实证显示基于cGAN调参的趋势择时策略在样本内外均表现优于传统历史调参方法,夏普比率高达1.85,最大回撤低至3.54%,且策略稳健性良好,随机数种子影响有限,且方法适用于不同债券指数,体现了cGAN生成样本在量化策略参数选择中的显著优势。
| 特征 | 指标值 | 真实序列 | CGAN生成序列 | 合理区间 |
|---|---|---|---|---|
| 自相关性 | 自相关系数均值 | 0.016 | 0.022 | 略大于0 |
| 偏自相关性 | 偏自相关系数均值 | 0.012 | 0.014 | 略大于0 |
| 厚尾分布 | 衰减系数Q | 3.962 | 4.973 | 3~5 |
| 波动率聚集 | 衰减系数β | 0.486 | 0.104 | 0.1~0.5 |
| 策略 | 区间收益 | 年化收益 | 年化波动 | 最大回撤 | 夏普比率 | 卡玛比率 |
|---|---|---|---|---|---|---|
| cGAN调参多头择时 | 21.43% | 2.09% | 1.56% | 2.38% | 1.34 | 0.88 |
| 历史调参多头择时 | 16.06% | 1.60% | 1.58% | 2.89% | 1.01 | 0.55 |
| cGAN调参多空择时 | 43.45% | 3.92% | 2.12% | 3.54% | 1.85 | 1.11 |
| 历史调参多空择时 | 32.07% | 3.01% | 2.12% | 3.48% | 1.42 | 0.87 |
| 中债国债总净价指数 | 3.29% | 0.35% | 2.14% | 8.95% | 0.16 | 0.04 |
| 测试类型 | 参数N/随机数种子点 | 区间收益 | 年化收益 | 最大回撤 | 夏普比率 | 卡玛比率 |
|---|---|---|---|---|---|---|
| 参数N测试 | 130 | 41.87% | 3.80% | 3.54% | 1.79 | 1.07 |
| 140 | 39.57% | 3.62% | 3.54% | 1.71 | 1.02 | |
| 150 | 43.45% | 3.92% | 3.54% | 1.85 | 1.11 | |
| 160 | 39.55% | 3.62% | 3.54% | 1.71 | 1.02 | |
| 170 | 42.62% | 3.86% | 3.00% | 1.82 | 1.29 | |
| 随机数种子测试 | 1 | 43.45% | 3.92% | 3.54% | 1.85 | 1.11 |
| 2 | 39.21% | 3.59% | 3.00% | 1.69 | 1.20 | |
| 3 | 44.28% | 3.99% | 3.54% | 1.88 | 1.13 |
报告标题: 对抗过拟合:cGAN 应用于策略调参
作者及联系方式: 林晓明、何康(博士)、李子钰,联系人陈伟,均来自华泰证券研究部
发布日期: 2021年10月12日
发布机构: 华泰证券研究所
主题及范围: 本报告聚焦于利用条件生成对抗网络(cGAN)来解决量化交易策略中的参数过拟合问题,具体以利率债指数(中债-国债总净价指数)趋势择时策略为实证对象,提出基于cGAN生成未来模拟路径进行大样本参数调优,从而提升策略稳健性和表现。
核心论点与结论:
报告还详细探讨了cGAN模型结构、训练评价标准、生成数据统计特征的验证、参数回测框架流程、交易策略构建与回测结果,最后对策略稳健性进行了多维度测试和其他债券指数的应用验证。综合来看,报告提供了生成式深度学习在量化策略调参及过拟合抗衡领域的创新应用方案,理论与实证结合紧密,极具实用价值,3,12,16,18]。
报告开篇指出金融市场信噪比普遍较低,量化策略构建面临“偶然性”严重的问题。策略参数参数依赖有限历史样本,易被特定路径和时序变换所误导,导致回测过拟合。传统增加样本量(Bootstrap)尝试缓解过拟合,但难以真实还原金融时序特征和未来变革。
GAN(尤其是调控条件的cGAN)因强大的生成能力被提出作为解决方案,能够生成条件下多样且拟真的未来收益序列,为参数调优提供“平行市场”的参考。华泰此前过拟合系列研究以GAN辅助回测过拟合检验为出发点,促进了本报告的框架构建,4,5]。
通过图表2(过拟合困境流程图),报告详细分析了传统基于历史回测参数调优面临的两大根本问题:
这两种随机性叠加极易陷入过拟合陷阱,算法选择的“最优”参数往往是对随机性的反应而非内在规律,实际表现大幅折损。报告提出透过增加大量模拟路径(等效增加样本量,契合大数定律)可抹平这些偶然效应。
Bootstrap作为传统重采样方法,性质上为对历史数据再采样,难以生成真实的金融时序数据,无法捕获金融时间序列中的波动率聚集、杠杆效应等重要统计特征。图表3中展示了Bootstrap生成序列与真实序列在这三大关键特征上的明显差异,揭示了Bootstrap的局限。
相比之下,cGAN通过条件生成对抗方式,学习金融资产收益率的条件分布,能够生成更真实、统计特征更接近真实市场的模拟未来路径。cGAN以历史数据为条件,隐变量采样表示未来市场的多种潜在状态,从而生成多样化的未来路径。该方法突破了Bootstrap“历史模拟历史”的限制,更能模拟未来市场特性,6,7]。
框架流程详见图表7,总结如下步骤:
选取中债-国债总净价指数作为标的,策略采用每两年滚动进行训练与生成模拟未来:
择时策略构建分为两类回测方案(图表23):
回测采用周频调仓,计算信号的多头/多空转换,多头时超过半数信号看多进入多头仓位,反之空仓或做空。交易成本计为万二,16].
从实证数据(以2011-12-30截面为例,图表24-26),随机选取回测夏普中位数排名头部、中部、尾部的3组信号进行路径上表现的分布对比,结果显示:
此检验证明模拟路径不仅多样且有辨识能力,有效促进参数筛选,18].
策略净值对比(图表27-29):
持仓分析(图表30、31)显示:
整体来看,图表均经专业设计,数据清晰,逻辑严密,且与文本论述紧密衔接,增强了报告说服力。
本报告主要聚焦于策略参数调优的技术流程和实证回测,未涉及传统的公司估值或资产估值分析板块,因此无直接估值方法论讨论。报告的“估值”可视为对参数集回测表现的统计估计,借助回测指标(夏普比率、中位数等)进行“表现估值”,选定表现最优参数。此方法基于大数定律与统计学原理支撑,具有理论合理性。
报告客观列举了基于cGAN策略调参面临的风险:
报告无具体缓解措施,但通过大样本模拟、多参数集成和稳健性测试工作间接降低了上述风险的冲击概率,体现出对风险的充分理解与谨慎态度,24]。
尽管如此,报告整体研究设计严谨,声明风险明确,易于实务人员理解与实施。
本报告创新性地将条件生成对抗网络(cGAN)引入量化策略参数调优领域,构建了基于模拟未来大样本路径的策略参数选择框架,从根源解决传统基于历史单路径回测导致的过拟合问题。核心思路系借助cGAN业务高拟真生成未来收益序列,实现“平行市场”多场景参数回测,以夏普中位数等统计指标筛选出鲁棒性强且适应未来市场的参数集,最终通过信号集成降低单一参数尾部极端风险。
实证部分基于中债-国债总净价指数,采用两年滚动训练生成500条未来路径,比较了基于cGAN模拟路径与传统历史路径调参的择时策略。结果明确显示:
报告结论清晰展现cGAN生成模拟路径在对抗量化策略过拟合问题上的创新与有效,提供了可复制的技术框架与实证验证,显著提升了参数调优的科学性和实用性,具备较强产业应用和研究推广价值~21]。
总结而言,华泰研究对cGAN技术在量化策略参数调优应对过拟合的创新应用做了系统、严谨且技术细节丰富的深入探讨,验证了利用深度生成模型生成多样化未来路径在提高策略稳定性及表现上的潜力,具有重要行业参考价值。
华泰人工智能系列48:对抗过拟合:cGAN应用于策略调参.pdf