基于人工智能的量化交易投资策略的研究

基于人工智能的量化交易投资 策略的研究

祝志翔 张特 周沈杰 赵天乐

宁波财经学院 浙江省宁波市 315175

一、背景

随着人工智能技术的不断升级和发展，人工智能在金融领域中的应用也越来越广泛。而量化投资又是依托现代金融、数学建模和计算机科学等知识与工具，将投资策略理念模型化，利用模型进行投资决策的过程，并通过计算机程序化交易的方式实现自动下单，从而获取稳定的连续的正面收入的投资方式，从手段上来看这与传统投资差异较大。开发AI量化投资策略可以理解成将人工智能应用在量化投资领域，而将人工智能应用到金融投资领域无疑是具有价值和挑战性的。

二、现状

2.1海外现状

在海外发达国家，人工智能与金融投资已经非常紧密地结合并取得了良好的成效。一些新兴的人工智能投资机构的崛起，证明了人工智能方法在金融市场的巨大潜力。比如著名的大奖章基金在2008年金融危机时，通过成功的预测风险，避免了投资者的重大损失，并保持连续多年资产的稳定增长。2017年5月，摩根大通发布了一份题为《大数据与人工智能战略：机器学习和其它投资数据分析方法（Big Data and AI Strategies: Machine Learning and Alternative Data Approach to Investing）》的报告，对人工智能和对金融领域的影响进行了全面的阐述。报告指出人工智能量化技术将成为未来金融业的主流方法，帮助投资者处理、分析、理解数据，指导投资决策。在西方投资界量化投资被称作传统投资哲学的投资,在历经长达四十多年的时间,量化投资已经被证实是一类可以持续获得超额收益的投资方法。一个优秀的金融投资机构，必须发展人工智能量化投资，以适应金融数据化、智能化时代的到来。

2.2我国现状

近些年来量化投资才逐渐被引入中国市场，虽然很多西方发达国家的量化投资模式已经趋于完善，但我国的量化投资还处于初步探索阶段,在金融投资市场的应用还不够成熟。即使这样由于中国A股市场的庞大的资金规模与蕴含着的巨大潜力，量化投资正在成为新的朝阳产业，并可能最终取代人工交易。因此积极研究量化投资在期货市场中的应用策略具有重要意义。

3. 策略及指标构建

1. 策略构建

以符合当前市场风格下的数据作为训练样本，通过人工智能搜寻当前状态下最有效的特征，并预测每个股票在下一期涨幅在前列的股票的概率，选择概率最大的股票，进行投资，从市场中获取超额正面收益。以获取标注数据和特征数据提取用计算机进行第一次的模型训练，再将模型训练的结果与新的特征数据进行第二次的模型训练。重复进行新的特征数据的加入，进行模型练习，获取模型的预测，进行数据的反复测试，进行回测形成产品，投放量化投资平台。

2. 常规检验指标

胜率：

购买某一产品持有一段时间后盈利的概率,在交易过程中盈利次数占总交易次数的比值。

盈亏比：

在交易中盈利与亏损的比例,当盈亏比小于1时,说明该模型整体不盈利;当盈亏比大于1 时,说明该模型整体有盈利能力;当盈亏比大于2 时,说明该量化模型盈利能力较高。

年化收益率:

是把当前收益率换算成年收益率来计算的一种理论收益率。

最大回撤:

是指在一段时间内,策略的净值达到最低点时,其策略净值下降幅度的最大值,描述的是在一定时间周期内,策略可能达到的最坏情况。回撤与风险成正比,回撤越大,风险越大。最大回撤越小越好。

夏普比率:

是用资产组合的长期平均超额收益(相对于无风险利益)除以这个时期该资产组合的收益标准差。意义为每一单位风险(全部风险),可给予的超额报酬。较大的夏普比率表示较好的绩效。

索提诺比率:

与夏普比率类似,但在计算波动率时采用的是下行标准差,是相对无风险收益的超额收益对下行风险的比。索提诺比率越大表示绩效越好。

3. 策略流程

本策略将以计算机来获取当月是否可交易，在可交易的情况下对之前数据、当月股票市场具体情况和自身目前拥有的现金、持有的股票等进行分析计算获取本月的购买列表和售出列表。

4. 止损方案

止损方案1

根据大盘指数N日均线进行止损，判断是否构成死叉后发出True信号进行止损，或发出False信号结束止损。

止损方案2

根据大盘N日跌幅进行止损（默认为大盘10天跌3%），当大盘N日内跌幅超过自身，则发出True信号，然后进行止损。

四、策略检验、优化

本文以2019年的沪深300股票期货组合为回测数据。数据范围：数据选取2019年1月1号到2019年12月31号的沪深300股票期货组合。测试范围：整个中国A股市场。单笔交易手数:1手。初始资金:100000元。手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱。

回测结果

表1样本初始数据回测结果

该策略在样本数据中正面收入为28100元，策略收益26.61%，盈亏比为3.846,最大回撤为13.79%，胜率为0.462。一开始的策略，虽然策略收益和基准收益不小，但胜率和盈亏比较低,策略的收入不稳定，正面收入的交易次数少于负面收入的次数，此策略有一定的风险，有获得大量正面收入的情况，也有可能获得大量负面收入的情况。

表2参数优化后样本数据回测结果

优化后的策略在样本数据中正面收入为28200元，策略收益16.07%，盈亏比为10.891,最大回撤为10.77%，胜率为0.714。优化后的数据，虽然策略收益比之前下降了10.54%，但是盈亏比较之前有大幅度上升，上升7.045；胜率也从0.462增长到了0.714。优化后的策略在牺牲了部分收益后，获取了极高的稳定性，让正面收入的交易次数远大于负面收入的交易次数。优化后的策略稳定性强，风险小，收入能力较为一般。

表3参数再优化后样本数据回测结果

优化后的策略在样本数据中正面收入为30500元，策略收益32.90%，盈亏比为3.805,最大回撤为12011%，胜率为0.632。参数再优化后的数据，策略收益较前两次分别提升了6.29%和16.83%，同时，此次策略结合了上面两次策略的优点，在拥有32.90%的策略收益的情况下，胜率也达到了0.632。这使得此次策略在能有一定收入的情况下，策略风险较低，稳定性较强。

五、结语

回测结果表明:原始量化投资策略并不能获得较好的收益,无论是收益率、夏普比率还是投资组合最大回撤都表现很差。参数优化后的量化投资策略比原始量化投资策略收益率提高了两倍以上,新策略的夏普比率、索提诺比率也有所提高,说明每一单位风险(全部风险),可给予的超额报酬增加。而优化后策略投资组合胜率提高,最大回撤降低,这表明策略的稳定性提高。

根据研究结果,本文认为量化投资确实能带来较高收益,有助于克服人性弱点,及时止盈、止损。在不同的市场和不同的时间阶段量化投资的策略带来的效果不同，可能在国外的策略在国内就不适应。建议在开发策略的时候要多学习、多借鉴、勇于创新、敢于试错,可以先研究小范围的整体指数,再不断向外扩展。此外,量化投资策略的优化、改进不能过于“贪婪”,要权衡得失,适可而止,才能开发出适合的策略。