本报告围绕国债期货的多品种量化策略框架,以深度学习模型(自编码器、LSTM、GRU、CNN)的仓位预测为核心,比较了PCA与SAE两种降维方法对模型表现的影响,创新采用自定义夏普损失函数优化模型。最终提出多品种混合策略,覆盖十年期、五年期国债期货及价差品种,实现目标收益波动率控制,回测结果显示混合策略在不同杠杆倍数下夏普比率显著优于业绩基准,净值曲线平稳,具备较强的风险调整收益能力。
报告标题: 国债期货量化系列四:基于多种深度学习模型的策略框架探讨
发布机构: 上海东证期货有限公司,东证衍生品研究院
撰写日期: 2023年3月28日
作者: 王冬黎(金融工程首席分析师)、范沁璇(助理分析师)
主题: 以国债期货(十年期国债期货T、五年期国债期货TF及价差2TF-T)为例,基于深度学习模型构建量化交易策略框架,应用于仓位预测与优化,实现目标收益波动率下的策略组合配置。
核心论点与内容总结: 报告围绕目标收益波动率下的深度学习模型应用展开,核心以多品种多模型深度学习量化策略为对象,重点开发基于自编码器(SAE)、长短期记忆网络(LSTM)、门循环单元(GRU)、卷积神经网络(CNN)等深度学习模型进行仓位预测。采用多种降维方法(PCA与SAE)降低特征维度,结合夏普比率损失与均方误差损失,探讨模型构建、损失函数对比、多模型混合策略构建及其表现评估。
最终推荐的混合模型策略配置资金分配为:
此组合在历史数据和最近期间均表现出优于业绩基准的夏普比率,且净值曲线较为平滑,适合实际交易运用。
风险提示: 量化模型有效性基于历史数据,不排除未来失效风险。
报告详实介绍了使用的各类深度学习结构:
堆栈式自编码器(SAE):
自编码器是无监督学习模型,包含编码器将输入x压缩变换为更低维隐含特征,再由解码器重构输入x。相较于经典主成分分析(PCA),自编码器利用神经网络可提取非线性更有效特征,能更好降维。堆栈自编码器通过层层叠加多个自编码器层实现深度特征学习,采用逐层贪婪训练避免人工特征选择,损失函数采用均方误差。
图表1与图表2分别展示了自编码器与堆栈自编码器的结构和数据流转方式。
循环神经网络(RNN)与变体LSTM、GRU:
RNN适合时间序列处理,能保留之前的输入状态,但简单RNN存在梯度消失和爆炸、长期依赖问题。
LSTM通过引入遗忘门、输入门和输出门等门控机制以及单元状态,有效缓解长期依赖问题,详尽给出了各门函数的数学表达式和结构图(图表5)。
GRU是LSTM简化版,融合遗忘门和输入门为更新门,训练更快且参数较少,相关数学表达式和结构图详见图表6、图表7。
卷积神经网络(CNN):
CNN以其局部连接和权重共享结构进行特征提取,主要用于图像,但亦被用于金融时间序列处理中,通过卷积层、池化层(如最大池化、均值池化)和全连接层降低参数量,提取中间层特征。图表7展示了典型CNN结构示意。文中详细给出卷积运算及激活过程的数学定义。
随机失活(Dropout)与全连接层(Dense):
采用Dropout减少神经网络过拟合,实现训练中的节点随机屏蔽。数学上以伯努利分布实现随机屏蔽。
全连接层通过矩阵向量乘积将特征映射到目标空间,完成非线性变换,数学表达清晰明了。
报告详细描述了数据来源、处理及策略设计思路:
数据集划分:
T、TF、2TF-T各自划分训练集、测试集及跟踪集,时间跨度合理,确保时序连续性。
目标变量及特征:
目标变量为基于20日滚动波动率调整后的日收益率,方便结合波动率调整仓位实现风险控制。输入特征涵盖3372维量价、基差、宏观经济以及利率期限结构。
特征工程与降维:
采用分类PCA与单因子回归筛选+SAE两种方式降低维度。单因子回归针对每个特征单独回归收益,筛选显著特征后再用SAE压缩。分类PCA则为对不同类别特征单独降维,保留90%以上方差主成分。
损失函数创新:
除了传统均方误差(MSE),报告创新引入基于夏普比率的损失函数(夏普损失),更直接优化策略的风险调整收益,克服以均方误差预测价格时模型失效及波动率切换问题。
模型结构与超参数:
测试组合同LSTM、GRU、CNN组合模型(LSTM+CNN、LSTM+GRU),网络结构细节及层级数量清晰(图表8),附带10% Dropout防止过拟合。
采用Keras的Callbacks与ModelCheckpoint进行大规模参数遍历,考虑神经元数量、epoch、batch size等超参数组合,训练50次后选优模型。
仓位转换方法:
以模型预测出的仓位根据训练集75%分位数线性伸展映射到杠杆上限,避免投资者对预测值尺度不明,方便实际交易。
整体策略以多空方向均可开仓,且多品种组合以控制波动率不超过20%作为杠杆最大值参考。此策略框架兼具创新及实际落地考量,体现深度学习对期货量化策略的适用性和优化空间。
以上图表为读者理解深度学习模型基础构建和关键核心机制提供了直观帮助,且与后文的策略和参数描述相呼应。
参数设置表详细列出了各品种、损失类型下不同模型的神经元层数、epoch及batch size配置,如十年期国债期货中LSTM_GRU模型典型配置是 [100,33,11,3,1]/e31/b20,体现该中深度网络多层神经元递减结构。报告在此全面记录超参数,为后续结果可信度评估提供基础。
图表12对比夏普损失优化与均方误差优化,十年期国债期货(T)的夏普比率测试集和跟踪集均相比业绩基准显著提升(测试集夏普比率最高达2.96,远超基准的1.02),表明深度学习方法带来有效性能提升。
图表13及14进一步显示T品种各模型具体收益、波动率、最大回撤及夏普比率。GRU与LSTM_GRU结构在测试集表现尤为突出,夏普比高达约2.31,回撤明显减少且盈亏比优良。说明采用深度门控神经网络结合自编码器降维有较强的盈利风险权衡能力。
TF品种收益波动较T稍弱,但在后续混合策略中仍占一席。表中的各模型夏普比率普遍在1左右,均方误差优化模型有时略好于夏普优化模型。价差品种表现更弱,夏普比率多在0.6-1区间[图表17-18]。
降维效果图(图表19-27)比较了PCA与SAE两种降维方式结合不同模型的表现。核心结论:
每个分类降维方法的优劣依赖于具体模型与品种,体现降维方案需结合实际调整。
具体数值如图表20-22所示,不同模型的夏普比率在测试跟踪集存在细微差异,但整体深度模型均优于业绩基准。
混合策略业绩展示(时间2015-9-9至2023-3-8,区分初始集和跟踪集):
报告未包含传统意义上的企业估值内容,主要聚焦于量化策略性能评估、模型表现及组合优化,因此估值分析部分不存在。
报告明确指出模型基于历史数据有效性推导出策略表现,潜在风险包括未来模型失效,即市场结构变化、非稳定因素均可能导致策略失效,历史回测结果不能保证未来必然收益。
报告未具体展开对各类风险的概率量化或缓解措施,但结合无滑点、无成本假设,实际交易成本及市场冲击可能进一步影响策略表现,投资者应谨慎对待并持续跟踪更新模型表现。
整体报告内容翔实、专业,考虑多层面技术细节,适合具备一定深度学习与金融量化背景的专业人士研读。
本文报告基于多种深度学习模型与创新损失函数,针对不同国债期货品种构建量化仓位预测策略,系统比较多种降维技术与神经网络结构,最终形成基于多模型和多品种的混合量化策略框架。
报告核心亮点包括:
图表数据显示,十年期国债期货模型夏普比率在训练、测试和跟踪集均达到或超过1.2水平,最高可达2.9以上,显著优于业绩基准1.02;五年期国债期货和价差表现略逊但仍优于基准,特别是通过模型组合策略,有效分散风险。
风险提示中指出,模型基于历史数据,未来有失效风险,投资者需谨慎权衡,并关注策略实盘表现。
最终,报告推荐的混合策略以70%资金投入十年期国债期货SAE+LSTM_GRU模型,15%资金投入五年期国债期货PCA+GRU模型,15%资金投入价差LSTM模型,结合杠杆为2-3倍的资金配置,兼顾收益风险,策略整体具有较强现实指导意义和操作潜力。
技术解析与实证结果为国债期货量化交易领域的深度学习应用提供了宝贵参考和方法论框架。
图表1-2: 自编码器与堆栈自编码器结构示意
图表12: 损失函数模型表现比较(夏普损失优化vs均方误差损失)
图表19-27: PCA与SAE降维后各模型在测试集与跟踪集夏普比率对比,辅助选择适用降维方法。
图表28-29: 混合策略表现优于基准,初始集夏普比率约1.28,跟踪集保持在1.3以上,净值曲线平滑且逐步上升。
综上,本报告以详实的数据模型、严密的优化流程与综合性能验证,全面展示了多模型深度学习策略在国债期货领域的应用潜力及实施路径,对金融量化研究者和实盘投资者均具较高价值。
20230328-上海东证期货-上海东证期货国债期货量化系列四:基于多种深度学习模型的策略框架探讨(2023-03-28).pdf