2025《基于Hurst指数模型的策略构建分析概述》2600字.docxVIP

基于Hurst指数模型的策略构建分析概述

目录

TOC\o1-3\h\u17909基于Hurst指数模型的策略构建分析概述 1

1076第一节数据选取与模型构建 1

13112第二节信号确定 2

18197一、信号判断的依据 2

20015二、收益率序列趋势的判断方法 3

16512三、关于策略中会不会使用未来数据的问题 3

第一节数据选取与模型构建

本文主要是选取了中国股票市场中的几个主流指数近10年的收盘价时间序列作为本文策略的数据来源。因此本文主要是在中国股市中进行基于Hurst指数模型的策略回测。而对于市场上指数的选取，本文主要选择了上证指数作为我们的主要研究对象，因为它是代表上交所所有上市公司的一个指数。其次，深证成指是代表了在深交所上市的500家有代表性的公司，因此也需进行回测。除此之外，尤其是在创业板改革后，创业板指的走势对投资者来说更为重要，因为创业板中的公司多是一些极具成长性的中小企业，更具活力和创新，一定程度上代表着国家创新和科技的发展情况。因此本文对于创业板指的回测也不可或缺。此外，本文还结合了沪深两市的情况，对沪深300指数进行了回测，而与沪深300成分股完全不同的中证500指数，本文也对其进行了回测。最后，本文还选取了上证50指数进行回测，因为其比较能代表中国股市中一些大蓝筹股票的走向。不考虑中小盘指数的原因是它基本上是跟着其他指数走的，本文已经对深证成指进行了回测，便不需要再对其进行回测。由于科创板刚成立不久，数据不够丰富，因此本文也不考虑对科创板的一些标的（如科创50）进行回测。

除此之外，作为补充，除了中国股市中这6大指数，我们还选取了商品市场上不同行业的几个标的，比如CU、PP、JM、J等品种，对其收盘价时间序列进行策略回测。然后，我们也对美国股市中的主流指数进行了回测，包括纳斯达克和标准普尔500指数。因此本文虽主要研究的是在中国股市中Hurst指数模型的择时适用性，但也对其他标的进行了研究与分析，对Hurst指数在不同市场的不同标的上的适用性的不同程度也进行了原因的分析与研究。在研究过程中，我们数据的选取来源都是基于Wind数据库里所测标的的收盘价。在此基础上，需要进一步进行收益率的计算，用前后两日的收盘价进行一定的计算（一种为相减除以基数法，一种为log相减法）得到。用此收益率序列作为后续计算Hurst指数的数据基础。此外，模型中的信号确定以及Hurst指数的计算步骤在不同标的上均是一致的。因此在变更回测标的的时候，不用去担心信号确定和Hurst指数计算步骤会发生改变。在写代码的时候，只需把一个标的回测出来，之后再变更其他的标的即可。而策略中需要更改的地方如下：1、更换代码中的收益率序列变量，用来作为后续计算Hurst指数的数据基础；2、在计算Hurst指数之前，先要利用R/S分析法中的双对数回归法去确定所测标的的非周期性循环的平均循环长度，作为我们计算时变Hurst指数时的所需时间序列的长度；3、在设定买卖信号的时候，Hurst指数的阈值上下界需根据统计学进行设定。

本文在构建策略时使用的是Python语言。因为本文的策略属于中低频的策略，对时间性能的要求不是很高，不必用到C++这类编程语言。此外，使用Python书写的代码比较简洁、易读，在前期数据分析部分也有较多的现成的库支持。本文策略构建时所用的编译器是Spyder，文章中的回测结果图片均来源出于此。

第二节信号确定

由于原本的Hurst指数模型所提供的0.5这个分界值过于理想，只能用于简单判断，用于实际策略中的效果并不理想。因此我们会根据实际计算出来的Hurst指数的统计情况来确定我们发出信号的临界值。

一、信号判断的依据

首先我们判断信号的依据有两点：对应时点的收益率序列的趋势以及该时点对应的Hurst指数的大小。根据实验，我们确定了策略的买入信号，分为趋势买入信号和反转买入信号。趋势买入信号为对应时点收益率序列的趋势为正且该时点对应Hurst指数大于均值，我们认为达到这两个条件后就可以判断未来的市场趋势继续保持现在上行的趋势，因此我们可以买入或者持有标的。反转买入信号为对应时点收益率序列的趋势为负且该时点对应Hurst指数小于十分位值，我们认为达到这两个条件后就可以判断未来的市场趋势不会继续保持现在下行的趋势，未来的市场会出现一个反转向上的拐点，因此我们可以买入标的。同理，我们也确定了策略的卖出信号，分为趋势卖出信号和反转卖出信号。趋势卖出信号为对应时点收益率序列的趋势为负且该时点对应Hurst指数大于均值，我们认为达到这两个条件后就可以判断未来的市场趋势继续保持现在下行的趋势，因此我们可以卖出标的或者保持清仓的状态。反转卖出信号为对应时点收益率序列的趋势为正且该时点