策略自动产生之二：筛选策略.docxVIP

内容目录 回测与实盘 3 未来函数 3 过拟合（幸存者偏差） 3 策略周期 3 市场隐含交易成本 3 未来函数 3 推进分析 3 固定起点的推进分析 3 固定窗口的推进分析 4 物理隔离下的二次样本外分析 4 过拟合 5 参数敏感性分析 5 主观归因 6 策略周期 7 最大回撤 7 计算预测值和实际值的 IC 是否显著 7 市场交易成本 7 佣金 7 Bid-Ask Spread 7 冲击成本 7 滑点 8 图表目录 图 1：某沪深 300 的二次样本外分析示例 5 图 2：某沪深 300 的参数敏感性分析示例 6 表 1：固定起点的推进分析示例 4 表 2：固定窗口的推进分析示例 4 表 3：某沪深 300 的参数敏感性分析示例 6 表 4：某沪深 300 的因子分析示例 6 回测与实盘 量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。量化投资的方式通常是在历史数据上建模和回测，如果模型效果比较好，量化研究员就会把模型投入实际的生产和交易环境中。经常的，我们会发现回测和实盘差异巨大。这些差异可能来自于以下方面： 未来函数 使用到未来函数也是很常见的一个问题，而且通常都是不知不觉的。自动产生策略的方法使用双保险来避免使用未来函数的问题。 过拟合（幸存者偏差） 众所周知，金融数据中的信噪比很低。当我们在回测中尝试了大量的参数时、或是在选股时测试了大量的因子后，找出来效果最好的一组参数或者一个因子总能获得非常不错的效果。但这大概率是因为它们仅仅是对回测期内的噪音精准建模了。由于自动产生策略的方法是依赖遗传算法寻找最优的因子组合和对应的参数，天然的可能会存在幸存者偏差的问题。我们需要会使用一系列方法来剔除那些过拟合的策略。 策略周期 量化投资强调的是，过去历史上的行为模式会在未来持续发生。圣经上说：“已有之事后必再有,已行之事后必再行,日光之下并无新事”，说的就是量化的思维模式。但是实际的金融市场是轮动的，资产配臵随大的金融周期轮动，股票市场随着行业板块轮动。有可能你在回测的时候选对了风口，赶上了趋势，而实盘时候错过风口或者选错了金融资产，那么就会事与愿违了。 市场隐含交易成本 真实的交易，存在成交的障碍。当你购买流动性不好的金融产品时，模型的信号出来了，但是实际你却买不到，或者卖不出去，当你被迫用对手价来成交时，就会有比较大的滑点。这就是冲击成本，本质原因在于你的交易量过大时影响了市场，而你的模型本身并不会考虑自身的影响。 下面，我们逐个介绍在策略自动产生的机制中，如何避免这些问题。 未来函数 我们使用两大法宝，保证自动产生策略的方法不会出现未来函数这个致命的错误。 推进分析 推进分析可以具体的分为固定起点的推进分析和固定窗口的推进分析。 固定起点的推进分析 所述的固定起点的推进分析流程如下： 假设有时间序列 t=0,1,2,3,4...T-1,T，和最小训练样本数 n。 在时刻 n：用 t=0...n 的样本作为训练集建立模型，产生 t=n+1 时刻的预测值。 在时刻 n+1：用 t=0...n+1 的样本作为训练集建立模型，产生 t=n+2 时刻的预测值。在时刻 n+2：用 t=0...n+2 的样本作为训练集建立模型，产生 t=n+3 时刻的预测值。以此类推 在时刻 T-1：用 t=0...T-1 的样本作为训练集建立模型，产生t=T 时刻的预测值。收集 t=n+1,n+2…T 时刻的预测值 样本外样本内样本外样本内样本外样本内样本外样本内样本外样本内表 1 样本外 样本内 样本外 样本内 样本外 样本内 样本外 样本内 样本外 样本内 T1 T2 T3 T4 T5 T6 时间 资料来源： 整理 固定窗口的推进分析 所述的固定窗口的推进分析流程如下： 假设有时间序列 t=0,1,2,3,4...T-1,T，和最小训练样本数 n。 在时刻 n：用 t=0...n 的样本作为训练集建立模型，产生 t=n+1 时刻的预测值。 在时刻 n+1：用 t=1...n+1 的样本作为训练集建立模型，产生 t=n+2 时刻的预测值。在时刻 n+2：用 t=2...n+2 的样本作为训练集建立模型，产生 t=n+3 时刻的预测值。以此类推 在时刻 T-1：用 t=T-1-n...T-1 的样本作为训练集建立模型，产生 t=T 时刻的预测值。收集 t=n+1,n+2…T 时刻的预测值 样表 2：固定窗口的推进分析示例 样 T1 T2 T3  T4 T5  样本外 本内样本外 本内 样本外 样本外 样本内 样本内 样本外 样本内 时间 资料来源： 整理 物理