基于趨勢追蹤的量化交易策略研究

蔡雅麗　夏帆　陸威　沈初陽　王玉金

摘要 量化交易是目前國際金融市場的主流交易方式，趨勢追蹤在量化交易模型中所占的比例最大，收益率也較為可觀。本文基于對趨勢追蹤MA、MACD、stoch三種指標的研究，以stoch指標為核心，并在算法中加入部分MA與MACD指標建立交易模型，并將該模型編寫成基于MT4交易平臺上運行的交易程序。在歷史數據模擬復盤的五年時間內，年復收益達到了17.74%。

關鍵詞 趨勢追蹤 趨勢指標 交易模型 交易程序

中圖分類號：F831.6 文獻標識碼：A DOI：10.1640/j.cnki.kjdkz.2018.02.036

0引言

量化投資最初源于二十世紀七十年代的美國股市，然后逐步普及到期貨與其它金融衍生品市場。量化投資在國內交易市場起步較晚，近幾年才逐步被國內的投資機構與投資者所接納，目前正處于高速發展階段，國內真正以量化交易為核心的投資公司也逐漸增多。

T.Hendershott和R.Riordan（2009）在《Algorithmic tradingand information》中首次在算法交易中進行了具體的模型計算。選取包括Apple與Alcoa在內的120只在NYSE和NAS—DAQ上市的公司股票作為樣本數據，并對交易策略模型進行模擬分析。ChristianA.Salm和MichaelSchuppli（2010）在《Posi-tive feedback trading in stock index futures：International evi-dente》中，基于異質信念的資產定價方法，研究了趨勢追蹤交易策略的執行結果及金融市場中的正反饋和負反饋的波動現象。其研究結果表明，正反饋交易在市場中所占比重更大。王若舟（2012）根據alpha策略創建了alpha動量交易策略，并完整的構建了一個交易程序所需的判定步驟流程。牛永魁（2013）分析了海龜交易量化模型，將其用到滬深300股指，并分析了量化交易在國內市場的優劣性。

本文致力于研究分析市場的微結構，建立合理的預測模型，從而設計出一個高收益、低風險、高適應的高頻交易算法，并將其進行實證分析以證明算法的有效性，最終得到一個穩定盈利的高頻交易算法。

1模型設計

模型以stoch指標為核心，同時，添加了MA與MACD指標對市場價格趨勢判定的一些方法。可修改參數為：K線周期KP、D線周期DP、每次開倉的交易手數Lots、以及從MA與MACD中延伸過來的短線周期sP、慢線周期DL、快線周期UL、加上程序啟動初期認為控制的止損StopLOSS和止盈Tak-eProfit共8個參數。又因為對K線和D線的超買超賣比值的修改過于困難，需要大量的數據，因此將K線和D線的超買超賣值統一設定為市場中常用的90和10與80和20。

每當stoch指標發出趨勢信號時，結合MA指標與MACD指標對趨勢的判定方法，當發出的信號被三者均滿足時，程序才能判定開倉的訂單有效，并向交易商發出交易信號。根據前文stoch指標初期判定對相對虧損的大幅波動，決定將程序運行初期的止盈止損進行人為控制。當賬戶盈利達到某個設定值（如已經達到賬戶初始資金量的100%）取消對止損的人為控制，并將后期訂單的止盈止損交程序自身判定，以確保訂單可以完整地走完市場趨勢。

2實證分析

基于前文部分交易指標的判定方法及程序模型的判定方法，進行程序的編寫。程序中所選用的參數分別為：Kp=5；Dp=3；SP=3；UL=12；DL=5；StopLoss=3000（300個標準點）；Tak-eProfit=5000（500個標準點）；Lots=l。指定交易品種為EUR/USD，運行的時間周期為日線圖，初始資金為10000美元，每次交易量限定為一個標準手，每手交易所占用的保證金金額恒為500美元。

在復盤模擬截取的五年時間內，程序的總凈盈利為45990.69，盈利比為1.99。其中，總獲利為92433.19，總虧損為46442.50，最大虧損和相對虧損均為15388.38，占當時資金量的57.48%。總交易次數為39次，其中賣單觸發了33次，買單觸發了6次。最多連續獲利次數為7次，獲利金額為30485.09，最多連續虧損為5次，連續虧損金額為12381.41。

總體而言，在復盤模擬截取的五年時間內，年復收益達到了41.08%。由于初期對止損的限定，當程序趨勢的判定出現大幅虧損時，已經可以由前期盈利部分進行抵消，不會驚動投資人。收益曲線如圖1所示，相對而言更為平穩。

從交易流程上看，該程序對市場價格趨勢的判別方式汲取了三種指標的長處，處理方式更為穩健，但計算方法更為復雜，判定更為繁瑣。而量化交易中的高頻交易占據了一大部分，其核心優勢之一就是開倉速度及趨勢判定速度。因此，該程序對短線及超短線交易而言，并不具備足夠的競爭優勢。從收益上看，本程序在選定的五年復盤模擬交易時間內所獲得的總收益率約為459.90%，年復收益約為41.08%；從虧損上看，最大虧損與持續虧損被控制在賬戶注冊資金的30%之內，表明該程序的交易方式較為穩定；就該模型交易盈虧結果而言，收益的各項指標數據均優于虧損的各項指標數據，表明基于該模型編制的交易程序所進行的歷史數據模擬交易擁有較為出色的表現。

同時，在外匯交易市場中，現階段職業外匯交易員的年收益率多數分布在40%至60%的區間內，同時當最大回撤達到賬戶注冊資金量的30%附近時，需要及時通知客戶反饋情況。而在外匯交易市場時常會有一些關于財政、政治層面，甚至戰亂的不確定因素帶動匯市的短期時間內的巨幅波動，而該程序主要是基于中長期交易，短時間內的大幅波動并不會對總體結果產生較大的影響（瑞士法郎當時的黑天鵝事件例外，當時全球匯市均收到其波動影響）。而賬戶剩余資金的應用也并未達到最大，交易手數被人為限制，并未像Kelly公式所涉及的那樣對倉位與資金進行管理。

3總結

本文通過對趨勢型指標MA、MACD、stoch三種指標的研究，并將三種指標的部分優勢進行整合。以stoch趨勢指標的收益為核心，輔以MA指標中對收益虧損的限制與MACD在中長期趨勢中對短期的大幅波動的規避，并在程序運行初期對止損進行人為控制，以此建立交易模型，并通過MT4交易平臺進行實證。本文對交易模型復盤模擬選取的標的資產為EUR/USD，復盤模擬運行周期為日線圖。在復盤模擬運行的2012.01.01-2017.01.01整整五年時間內，取得了年復41.08%的收益，賬戶資金波動幅度也較為平穩，并且程序運行初期的虧損也被限制在本金的30%之內。

總體而言，該程序具備成為實盤交易程序的可能性，但還需要對程序模型進行進一步的改進和完善。同時，對于現今金融行業實盤應用中的交易程序而言，該程序的開倉條件似乎過于嚴格，雖規避了市場中的許多風險，但在復盤模擬的五年時間內，成交手數僅為39手，交易手數偏少；而且，最多的連續虧損次數達到了五次，說明在某段時間內，程序對市場價格趨勢的判定持續受到市場發出的假信號的影響，并被誤導開倉，因此該程序并不適用于短期交易。