机器学习与量化投资：避不开的那些事（3）

主要结论

标准长周期商品期货策略

本商品策略通过机器学习可以对未来一周的走势进行预测，每周周末计算信号，周初第一天以TWAP调仓，频率低，资金容量大。

预测目标——从收益到其他

除了下期收益外，预测目标也可以是风险调整后的收益。在预测目标是风险调整后的收益下回测夏普略高，这一回测结果可以得到金融行为学的理论支持。

风险提示：

标准长周期商品期货策略是基于商品历史数据的总结。由于商品期货出现较晚，市场依然处在高速变化中，模型存在较大的失效风险。

正文

1.策略

本商品策略通过机器学习可以对未来一周的走势进行预测，判断不同商品的大概率的多空方向。若触及多头阈值，则下多单，若触及空头阈值，则下空单，否则没有仓位。本策略每周周末计算信号，周初第一天以TWAP调仓，操作简便。由于周初第一天有一天的时间用来下单，故能承载较大的资金容量。

1.2策略细节

策略标的

焦炭，白糖，铁矿石，玻璃，焦煤，动力煤，螺纹钢。

交易成本与策略执行

在此策略的历史数据回测中，成交成本假设为双边千分之二。即考虑在TWAP的基础上，买卖各加一个大约tick的冲击成本。策略按周调仓，每种标的的仓位按照历史波动率的倒数来分配。对每一个标的，设置8%的止损。

交易信号生成

将已发生的行情通过数量化的方法变成一系列因子。未来一周收益作为因变量，训练机器学习模型。若基于机器学习的预测值触及多头开仓阈值，则做多；若预测值触及空头开仓阈值，则做空。反之没有仓位。每周结束收盘后确定信号方向，下周第一天交易。

1.3策略表现

在日内双边千分之二的成交假设下，策略表现如下:

夏普：1.05

年化收益：8.60%

最大回撤：13.02%

胜率：54.16

盈亏比：1.06

2.预测目标

传统上，一些的从机器学习另外来到量化的研究者，都会将下期或者t+n期的收益作为预测目标。这样做的好处是非常的直观。但是这不一定是唯一方式，量化投资者经常并不关心收益，只关心风险调整后的收益比，在承担相同风险的情况下，选最高收益的；在收到相同收益的情况下，选择最小风险的。如果一个策略有极高的风险调整后的收益，但是年化收益很低，那么就可以通过加杠杆的方式来增加收益，同时增加风险。在理论上，直接比较收益大小是不可取的，任何策略都需要通过调整杠杆的方式调整到与其他策略一样的风险，然后在相同风险的情况下，比较收益大小。风险调整后的收益有很多种表现方式，比如夏普，或者收益回撤比

所以在建立模型的时候，为了符合量化的风险收益理论，机器学习同样可以将预测目标变成夏普或者收益回撤比。

有时用收益回撤比有的时候还有一些别的好处。下面以CTA为例子做讲解。

上图是著名的prospect theory

图中横轴基本可以等同看成是用户得到的收益，纵轴则是价值函数，这个图包含了几层含义：

1. 不对称性：在盈亏相等幅度的情况下，损失对应价值的减少值，比获利结果对应价值的增加值更大。简单来说就是亏r%和赚r%这两种情况下，前者的用户体验的变化量绝对值要更大些。说明投资者总体是厌恶风险的；

2. 确定效应：在就是亏损的时候有凸面性 (convexity)，而当盈利的时候有凹面性(concavity)。简单来说就是投资者在面临获利时，尤其是获利不大的时候，更愿意落袋为安，风险厌恶程度增加。

所以，对于CTA来说，当市场较为平淡，相对更接近于零漂移的随机游走的时候，根据上文所述的确定效应，有浮盈的人会落单为安，拿多单的卖多单平仓，等价于增加空头；拿空单的卖空单平仓，等价于增加多头。从而强化了价格时间序列的反相关性。

而当市场出现明显变化，譬如是基本面/宏观层面发生一定变化时，期货价格会出现剧烈的跳动，亏损的投资者在选择死扛亏损的同时，这时候亏损方的损失对应价值的减少值也会显著大于盈利方获利结果对应价值的增加值。直到价格变化到超出部分亏损方的心理承受或者被强制平仓之后，这部分亏损的投资者会被迫平仓从而引发下一轮亏损投资者的平仓，也就是俗称的多杀多和空杀空，从而强化了价格时间序列的正相关性。

可以证明，价格序列正相关性越高，收益的标准差越小，夏普越大。所以当市场较为平淡时候，由于价格时间序列的反相关性，收益的标准差非常大，而收益均值很小，夏普几乎接近0（假设无风险利率是0），当市场出现明显变化时候，收益的标准差非常小，而收益均值很大，夏普绝对值非常大。因此，由于收益标准差的影响，使用夏普更能区分趋势和震荡两者的差异。

3.汇总结果

3.1.以一周累计收益为预测目标

3.2.焦炭

3.3.焦煤

3.4.动力煤

3.5.铁矿石

3.6.螺纹钢

3.7.玻璃

3.8.白糖

风险提示

数据全部来自公开市场数据，市场环境出现巨大变化模型可能失效。