基于模糊逻辑神经网络的高频做市策略 深度分析报告
一、元数据与报告概览
- 标题:基于模糊逻辑神经网络的高频做市策略
- 作者及机构:华泰期货研究所量化组 陈维嘉 量化研究员
- 发布时间:报告数据截至2018年7月,具体发布时间未明确给出,但内容及数据覆盖至2018年年中。
- 研究主题:研究高频做市策略在中国期货市场中铁矿石、螺纹钢和铜三个主力期货品种的可行性,并基于模糊逻辑神经网络对市场行情预测,尝试构建策略回测框架,评估策略收益和风险。
- 核心论点:
- 高频做市策略在理论理想假设条件下可稳定盈利,铁矿石最适合该策略。
- 由于实际市场中挂单成交率、手续费等因素影响,实际收益显著偏离理论,需引入预测机制辅助主动止损。
- 采用模糊逻辑神经网络模型对铁矿石市场做1分钟后价格涨跌预测,在回测中显示出提升策略收益的潜力。
- 目标信息:
- 探索结合神经网络预测提高高频做市策略的收益稳定性。
- 通过模拟验证模型的有效性,讨论手续费返还比例及其对盈利能力的影响。
二、逐节详解
1. 高频做市策略简介(页码0)
- 核心信息及逻辑:
- 高频做市通过双向挂限价单,实现低买高卖,获得买卖价差利润。
- 理想市场假设下,市场价格具备均值回归特性,做市策略无需预测未来行情,跟随即时价格做单即可获得正期望收益。
- 实际市场中均值回归不总成立,挂单不一定成交,且交易费用和浮亏控制等因素要求策略融入预测功能,尤其在单边行情时及时止损避免亏损。
- 高频数据样本量庞大(约每500ms一条),使用多参数深层神经网络加模糊逻辑预处理以应对数据噪声,提高预测准确率。
- 研究范围与初步结论:
- 三个品种(铁矿石、螺纹钢、铜)做市策略表现,铁矿石最优。
- 在模拟最差成交率条件下,模糊逻辑神经网络帮助提升策略收益。
2. 高频做市策略原理(页码1-2)
-
做市定义与区别:
- 做市商(公司、个人或策略)通过双向报价对流动性提供,获利于买卖价差,避免净头寸积累。
- 与趋势性策略的显著不同:做市策略不赌市场方向,强调小幅高频获利和头寸中性。
-
理论假设:
- 标的资产在每时点存在唯一成交价,允许做空。
- 做市商可随意挂撤限价单,成交按照即时价触及原则判断。
- 每次成交做1手,动作不引起市场冲击。
-
理论收益公式:
- 利润为 21(K−z2) 其中:
- K=∑∣Pt+1−Pt∣ 代表价格绝对波动和理论成交次数,
- z=PT−P0 为期末净头寸的盈亏。
- 该收益来源于均值回归使 K>z2,创新角度体现做市策略在理想市场中持续盈利的上限。
-
逻辑说明:
- 当价格在区间内频繁波动,K大,净头寸变化小,策略获利丰厚。
- 单边行情导致大净头寸和亏损,反映真实市场风险。
3. 各品种收益与手续费估算(页码3-5)
-
数据基础:
- 使用2015-2018年中,日盘时段高频数据约850个交易日,日均约25,000笔行情。
- 价格采样用每笔行情收盘价,由于截面数据特性,理论收益估计存在低估。
-
图表解读:
-
图1(累计理论盈利)
- 铁矿石(红线)最高,累计收益显著领先铜(灰)和螺纹钢(黑)。
- 说明铁矿石适合高频做市策略,波动频繁且均值回复特性明显。
-
图2(累计手续费)
- 铜手续费最高,因手续费率较大及更高成交频率,螺纹钢次之,铁矿石最低。
- 手续费与收益对比显示,铜、螺纹钢手续费与盈利可抵消,铁矿石盈利明显覆盖手续费。
-
图3-4(手续费返还临界点 kc)
- 返还临界点kc=1−fp,kc越低越易盈利。
- 铜、螺纹钢在2017年后kc值升高甚至大于1,表明无手续费返还是亏损的。
- 铁矿石kc稳定小于0,手续费返还需求极低,做市适宜品种。
-
行情典型案例(图5):
- 2015年4月10日,铁矿石震荡行情,小幅波动,价格在373附近波动,策略盈利良好。
- 2017年2月3日,单边下跌趋势,价格从662跌到611.5,导致做市策略出现大幅亏损。
-
结论:
- 理论收益被高估,尤其面对趋势行情需额外风险控制。
- 预测机制用于提前平仓、止损,降低趋势风险。
4. 神经网络与模糊逻辑模型(页码6-7)
-
神经网络结构:
- 输入层包含40个特征变量(20分钟收盘价对数收益率与成交量对数收益率序列)。
- 为处理金融数据噪声,先通过模糊逻辑转换40维输入成120维模糊程度空间。
- 模糊成员函数为高斯型,基于不同涨跌类别的均值和标准差计算。
- 网络含3个隐藏层,各128神经元,使用dropout(50%)防止过拟合。
-
训练与验证:
- 训练数据为2016-2017年铁矿石主力合约高频数据。
- 使用交叉验证,避免过拟合,提前停止策略。
- 三组不同随机种子初始化训练的模型性能相近。
-
准确率:
- 分类准确率约37%-42%三类均衡,考虑三个类别的基准概率也相近,模型有效。
-
总结:
- 模糊逻辑神经网络技术有效适应高频金融数据特点,对短期价格变化有一定预测能力。
5. 策略回测框架与模拟交易(页码7-10)
-
回测框架挑战:
- 理论模型假设挂单无序列排队即触碰即成交不现实。
- 现实中挂单成交需要等待,成交率较低,致使实际成交数远低于理论。
- 目前数据仅含买一卖一档行情,回测只模拟一档挂单成交,估计为最差情形。
-
回测设计:
- 通过换算成交额与成交量,估算挂单排名,模拟成交序列。
- 神经网络每分钟预测一次,根据预测结合持仓采取动作,控制风险。
-
操作规则(表2):
- 根据当前持仓和未来预测状态,选择市价单平仓或两边挂单。
- 不主动做趋势交易,仅侧重做市与风险控制。
-
回测验证:
- 无模型预测时模拟结果与理论收益正相关,但较理论值偏低。
- 使用三种神经网络模型,策略收益提升明显,特别是在2018年4月起趋势行情影响下,模型辅助止损使收益优于无模型策略。
-
图表说明:
- 图7 模拟交易收益与理论收益关系,线性相关,模拟数量级较低因调整频率差异。
- 图8 各神经网络回测累积收益拟合曲线,模型之间差异小,均表现优于无模型。
- 图9 理论收益走势显示2018年4月后下滑,反映铁矿石趋势行情增强。
- 图10 累积手续费曲线显示高频交易手续费巨大,尤其模型频繁平仓导致手续费攀升。
-
盈亏统计(表3):
- 神经网络提升日均策略收益从~97元提升至115元左右,交易次数由47次增加至52次左右。
- 手续费随交易次数增加同步上升。
- 手续费返还率临界点由86%降至约85%,放宽了盈利门槛。
-
回测结论:
- 神经网络预测能力对做市策略风险管理和盈利提升有积极作用。
- 现阶段回测为最差情景,实际收益预计介于理论上限和模拟回测值之间。
三、图表详细解读
图1 高频做市策略理论累计盈利
- 描述:展示2015年初至2018年中铁矿石(I)、螺纹钢(RB)和铜(CU)做市策略累计理论利润。
- 数据趋势:铁矿石盈利最高,呈稳步上升趋势,铜居中,螺纹钢最低。
- 联系文本:表明铁矿石市场更适合做市策略,反映价格波动与均值回复特性良好。
图2 理论累计手续费
- 描述:同期三品种累计手续费比较。
- 趋势:铜手续费最高,铁矿石最低。
- 意义:手续费显著影响做市策略盈利能力,铜和螺纹钢手续费几乎掩盖盈利,铁矿石手续费占比较低。
图3-4 手续费返还临界点kc
- 描述:返还临界点随时间变化,表示盈利所需手续费返还比例。
- 趋势:
- 铜、螺纹钢2017年后频繁升高,超过100%,表明无返还则亏损。
- 铁矿石常年远低于零,适合做市。
- 联系文本:体现品种之间的策略适宜性差异和手续费政策敏感性。,5]
图5 铁矿石典型行情比较
- 描述:2015年4月(震荡行情)与2017年2月(单边下跌)的价格走势对比。
- 趋势解读:
- 意义:展示行情结构对做市策略成功的关键影响。
图6 神经网络架构
- 描述:基础神经网络层级结构图。
- 说明:解释模型结构及其信息流动方式。
图7 模拟收益与理论收益对比
- 描述:铁矿石日收益以及交易次数模拟结果与理论对比。
- 趋势:两者高度正相关,但模拟值远低于理论,因调整频率差异。
- 说明:验证理论作为策略收益上限合理。
图8 高频做市回测累积收益
- 描述:三种神经网络模型与无模型策略在2018年回测累积收益。
- 趋势:四条曲线总趋势向上,神经网络优于无模型,尤其4月份后差距显著。
- 意义:模型预测对趋势行情止损效用明显。
图9 理论收益每日走势
- 描述:显示2018年铁矿石日理论收益波动,红色钻石为实际日收益点。
- 趋势:4月后收益逐步减弱,反映趋势行情风险加大。
- 说明:合理论文中的做市策略风险环境。
图10 累积手续费走势
- 描述:手续费随时间累积,模型策略手续费高于无模型。
- 解读:
- 手续费迅速累积,说明交易频率高。
- 4月后模型频繁止损导致手续费增加。
- 意义:显示成交成本对策略影响关键。
四、估值及收益分析
- 报告基于理论公式及回测模拟估算高频做市策略收益能力。
- 理论公式提供上限收益估算,前提为市场均值回复、即时触单、无交易冲击等理想假设。
- 回测模拟综合考虑最大成交等待风险及持仓平仓策略,体现了现实操作环境下收益大幅缩水。
- 模糊逻辑神经网络预测提升风险控制能力,有利于减少趋势行情亏损,增加日均净收益10%-20%。
- 手续费返还是做市策略关键盈利门槛,铁矿石较低临界点使其最具做市潜力。
五、风险因素评估
- 理论模型假设偏离市场实际:
- 挂单立即成交假设因排队等待不成立,导致收益估计过高。
- 数据限制:
- 高频数据仅有买卖一档行情和成交信息,无法全面模拟多档挂单及市场深度。
- 手续费开销巨大:
- 高频多次交易手续费累积迅速,占比高且返还依赖度大,带来盈利压力。
- 模型预测准确率有限:
- 分类准确率约37%-42%,略优于随机,预测不确定性依然较大。
- 趋势行情风险:
- 单边行情可能导致大额亏损,模型止损虽有帮助但不可根本消除风险。
- 回测环境保守:
- 模拟为最差情况,实际收益会随系统速度及策略深化而变化。
六、批判性视角与细节观察
- 假设局限性:公式(1)推导虽为理论基石,但多项假设(如无市场冲击、即时成交)不符现实,导致理论收益或风险估计失真。
- 数据限制未充分披露:高频数据的截面性质限制了模型对市场内部挂单深度及流动性真实状况的模拟,带来潜在偏差。
- 模型预测能力微弱提升:准确率数据虽然超随机基线,但幅度有限,实际应用中对止损决策的增益有待进一步量化。
- 手续费返还依赖凸显:高手续费成为策略盈利关键,若返还政策变动,策略可行性面临较大风险。
- 模型回测为最坏情形,缺乏正向激励测算:实际交易中通过多档挂单及成交概率提升,收益有望高于回测结果,未来研究或需拓展模型预测的多档挂单策略以提升准确性。
七、结论性综合
本报告系统梳理并实践了基于高频数据的高频做市策略,其理论基础源自均值回复假设下的价格波动与净头寸盈亏关系公式,明确指出做市策略通过频繁的双向报价获取买卖价差利润的核心逻辑。基于近四年中国铁矿石、螺纹钢及铜期货主力合约的高频数据,利用该公式对不同品种做市策略理论盈利和手续费进行了估算,得出铁矿石最为适合高频做市的结论。
结合模糊逻辑对高频金融数据中噪声的预处理和深层神经网络的短期涨跌预测,报告构建了模拟交易回测框架,模拟了限价单排队挂单及成交等待的现实情况。回测结果显示,神经网络的加入有效提升策略在趋势行情中的风险控制能力和日均收益约10%-20%,尽管手续费及交易频率同步增加。手续费返还临界点的下降进一步证明模型辅助下策略盈利所需成本降低。
报告充分展示了高频做市策略理论与实际交易环境间的差异,以及利用现代机器学习技术对高频金融数据进行噪声处理和预测的可能性。图表和表格数据相互佐证,揭示了震荡行情下排序成交频次、手续费成本与预测准确性的关键影响因素,及其对策略盈亏的深远影响。
总体而言,报告表现出高频做市策略在特定品种具备一定利润空间和良好适应性的积极前景,同时也诚实揭示了交易成本高企、市场假设偏离实际及预测模型准确率限制等风险和挑战。神经网络在实际策略中的辅助作用虽有限,但为融入预测机制以降低亏损和提升稳定性的探索提供了重要参考。
参考页码溯源
- 高频做市策略概念与挑战说明 ,1]
- 理论公式及品种收益比较分析 ,2,3,4,5]
- 模糊逻辑神经网络结构与训练结果 ,7]
- 回测框架设计及模拟结果 ,8,9,10,11]
- 图表解释均附对应页码 ,4,5,6,7,9,10,11]
此份详尽分析为高频做市策略的理论基础、实践难点及结合神经网络预测的先进尝试提供全面客观的解构,具有较高的学术参考和实务借鉴价值。