HMM滚动训练择时研究【附源码】

最近BigQuantAI社区上有几篇关于隐马尔可夫模型(HMM)的研究报告。在此基础上,本报告针对沪深300指数,采用滚动学习方式构建HMM模型,获得收益预测情况,从而生成交易信号。回测结果表明,该模型对于大盘系统性风险预判能力较强,年化收益为16.5%,夏普比0.75。

关于HMM的模型介绍,可以参考以下两篇帖子,这里不再重述。

本报告直接针对指数进行择时效果分析,回测参数:

  • 回测时段:2013.04~2018.06;
  • 投资标的:HS300指数;
  • 交易费用:双边万三(参考ETF交易手续费);
  • 持仓时间:10天。每10天进行一次择时;
  • 滚动设置:从数据起始日到交易信号前1日,均作为样本数据。

具体模型构建过程:

1. 因子获取

获得5日收益率、10日收益率、10日内最高价比最低价、10日内平均成交量比5日内平均成交量。

为满足高斯分布,对10日内最高价比最低价因子进行了box-cox变换;

2.HMM模型训练

针对训练时段的数据,训练得到HMM模型,隐含状态数量设为6。各个因子间存在相关性,故协方差矩阵类型设为“full”。

由于HMM中用到的EM算法是梯度下降,可能会收敛到局部最优点,因此这里fit多次,并选取score最高的一个模型。(参考“Training HMM parameters and inferring the hidden states”)

3.收益预测

对当前交易日的隐含状态进行估计;

根据模型的状态转移矩阵,预测下一时段的状态的可能;

根据观测矩阵,计算下一时段的收益期望。

4.回测

根据下一时段的收益预测值,生成交易信号,若收益期望大于0.0006,则开仓或继续持仓;否则空仓。

回测结果:

  • 总收益 119.4%
  • 年化收益 16.5%
  • 最大回撤 21.8%
  • 夏普比率 0.75
  • 交易次数 15
  • 胜率 66.7%

附录

源码地址:《HMM滚动训练择时研究

本文由BigQuant人工智能量化投资平台原创推出,版权归BigQuant所有,转载请注明出处。 

宽邦科技
宽邦科技

提供金融行业人工智能平台和服务解决方案,研发了全国首个人工智能量化投资平台BigQuant,拥有全栈人工智能平台和大规模机器学习和深度学习框架与算法,为券商、银行、保险、资管等金融机构以及更多企业提供AI技术方案和业务解决方案,实现机构及企业的AI转型和升级。

工程量化投资机器学习HMM
1
暂无评论
暂无评论~