基于PSO算法的二维动量空间在股指期货上的应用.pdfVIP

基于PSO 算法的二维动量空间在股指期货上的应用 兴业期货 秦小坡 动量效应是股票市场上存在的一种较为普遍的现象，即在一定持有时期内， 如果某只股票或者某个股票组合在前一段时期表现较好，那么，下一段时期该股 票或者股票投资组合仍将有良好表现。进一步，由于动量效应的存在，某些股票 在一定时间内的表现会强于大盘。本文基于这一点，将动量效应运用到股指期货 的产品设计中。因篇幅有限，本文探讨了基于动量效应的择股策略在股指期货上 两方面的应用：其一，利用股指期货和动量择股合成增强型指数基金；其二，利 用股指期货和动量择股实施alpha 策略。 1. 动量择股的方法 区分于以往动量策略的研究，本文将结合了短期动量和长期动量的二度空 间，作为筛选股票的标准。当短期动量向上交叉长期动量时，股票的上涨动量开 始提速，之后往往存在超越大盘的表现。此外，关于动量的定义，本文也不同于 以往的研究。以往的研究有将股票收益率以及资产定价模型（CAPM ）计算出来的 常数项alpha 作为动量的计算依据。本文将股票的收益率与沪深 300指数收益率 差值的累积值作为动量的衡量标准。由于涉及到动量计算中的短期参数、长期参 数以及持有期等5 个参数的选取，为了使得持有期内，股票相对于大盘的超额收 益最大化，本文运用了人工智能领域的PSO 粒子群优化算法对参数进行优化。下 面将简要的介绍一下PSO 粒子群优化算法的原理。 PSO （Partical Swarm Optimization ）粒子群优化算法来源于对鸟群捕食过 程的模拟，利用群体中各个体之间的“协作”与“竞争”关系，根据自身及其竞 争者的飞行经验，调整自己的行为，进而寻找到食物。 PSO 算法涉及到如下步骤：  以n 个初始的质点初始群  确定pbest 和gbest 的初始位臵  对于每一个粒子p ，计算其速度向量  依据下列方法更新p 的位臵 ˆ v (t + 1) = Wv (t ) + c r ( y -x (t )) + c r ( y -x (t )) i i 1 1 i i 2 2 i ˆ x y 其中 代表所有粒子找到的全局最优解的位臵， 代表目前的位臵， 代 y i i r r 表每个粒子的最优位臵， 和 分别来自均匀分布函数 1 2  确定粒子p 新位臵的适宜度  更新pbest 和gbest 直到终止条件满足 2. 数据和结果 本文所选用的样本为2007年9 月26 日至2010年7 月29 日期间的沪深股市 的所有A 股。设定股票的持有期为 15 日，依据前文所述的PSO 粒子群优化算法， 确定短期动量和长期动量等参数值。在样本区间内，依照上述动量择股策略，筛 选出符合要求的股票，并计算出持有15 日后，筛选出股票相对于沪深300指数 超额收益率的均值。超额收益率均值的累积值走势如图 1 所示，截至到7 月8 日，动量择股的超额收益均值累计值已经达到初始值的2.8 倍。可见，本文所选 用的动量择股策略取得了较为满意的结果。接下来，本文将简要介绍如何将上述 动量择股策略与股指期货相结合，进行产品设计。 图1 动量择股的累计超额收益率 （单位：% ） 350 300 250 200 150 100 50 0