基于DTW算法的转债择时初探：历史如何重演？.pptx

核心观点;目 录;模型简介：DTW算法;;;数据来源：《DerivativeDynamicTimeWarping》，西南证券整理;数据来源：《DynamicProgrammingAlgorithmOptimization

forSpokenWordRecognition》、西南证券整理;8;模型训练：模型构建与参数选取;数据来源：Wind,西南证券整理;如何计算两个历史片段之间的DTW距离？

我们从日度维度来衡量指数的交易特征。价格和成交额共同作

为交易的重要特征，参与DTW距离的计算。

对于一维的时间变量，可以将两段时间序列抽象为矩形的相邻两边，可以轻松计算两边上任意两点之间的距离。

对于二维时间序列而言，两个变量共同参与匹配。此时可以采用二维空间的欧几里得距离进行衡量。但在本文情境中，尽管对于指数点位与交易额均做了归一化处理，二者在波动范围来看仍有较大的差异。因此，我们使用了两个变量各自的方差来作为波动范围上的补偿。

如何基于历史片段的DTW距离和历史涨跌幅实现预测？

以DTW距离的倒数作为权重对以各历史片段预测期内的收益率进行加权，将加权平均结果作为对预测期指数收益率的预测。;12;策略效果：实操表现;基于全局约束的DTW改进模型：

我们以传统DTW模型为基础，在对参数进行了微调后，构建了全局约束的DTW模型，包括Sakoe-Chiba和Itakura模型。前者窗口限制参数r限制为9，后者无需设置额外参数。

部分年份超额显著：不同于传统DTW模型，基于全局约束的两个模型均在牛市踏空与熊市缓跌两个角度取得了明显的调和。除了2019年两模型均显著跑输指数之外，其余年份表现均可接受。Sakoe-Chiba模型和Itakura模型分别取得了回测期内6.09%和14.33%的超额收益。

回撤抑制仍然突出：从回撤和波动率角度来看，两模型均在全部年份获得了更低的最大回撤幅度和波动率。综合来看，经过全局约束调整后的DTW模型相对传统模型的择时能力明显提升。;基于局部约束的DTW改进模型：

如前文所述，我们考虑了局部约束中步模式和加权方式排列组合后的多种组合，回测期内均取得正超额收益。这里我们选取表现较为突出的4个分支模型以供参考。

收益表现与回撤控制：经过局部约束的改进模型呈现了多样的表现结果。包括在2019年???幅跑赢市场的TypeID模型，亦有在全部年份均不明显弱于指数的TypeIIA模型。后者在2018年至今区间创下21.49%的超额收益记录。同时，上述改进模型均显现出极强的回撤控制效果，均在回测期内的全部年份实现了回撤收窄效果。

整体来看，局部约束可以通过不同步模式和加权方法的组合实现不同程度的“激进程度”，且总体上均能实现超额收益提升与波动水平压降，具有突出的性价比。;模型潜在的问题：

模型参数调优成本较高：模型涉及参数数量较多，且部分参数之间存在耦合关系，较难通过除遍历外的其他手段寻得全局最优参数设置。目前的解决方式为在各参数的主要分布区间内基于其单调性情况尝试寻找局部最优解。

应用于不同数据时的模型泛化能力：尽管对于给定维度数据，其DTW距离的计算方式可以确定，但由于不同数据包括离散程度在内的特性有所不同，计算所得的DTW距离可能差距较大，在一组数据上可行的阈值设置可能难以直接用于其他数据。

预测准确率仍有进一步提升空间：从当前模型结果看，用于预测中证转债的准确率总体上在50%至60%之间，单次预测上仍难言具有绝对把握。模型在多数年份的收益仍需依靠预测效果的长期积累。

模型进一步改进的空间：

DTW距离算法：目前我们采用经变量方差调整的欧几里得距离来衡量两个时间序列之间的“距离”。实际上DTW算法允许任何可以衡量两段时间序列相似度的计算逻辑，除了最直观的欧几里得距离之外，包括余弦相似度在内的各类算法均值得尝试。

将算法应用于个体标的：理论上看，模型可用于指数择时，亦可用于对个体标的进行走势预测。当然，由于个体标的层面未来表现受到个体因素干扰的可能性远大于指数，策略效果的稳健性可能有所欠缺。

将算法应用于短线预测：理论上讲，预测期限越长，其受到不可预知因素干扰的概率越大。因此，尝试预测更短期的指数表现效果可能更加明显。后续可在分钟级数据上进一步测试效果。

风险提示：

政策不确定性；统计误差；模型失效。