基于多策略融合的市場模式預測模型

王旭

摘要：本文創新地提出了“市場信息熵”的概念通過分析行業間波動方向的有序性來判斷市場總體的狀態，然后與不同參數周期的趨勢跟蹤策略和趨勢反轉策略相結合，進而將這些策略信號指令作為輸入，市場模式狀態作為輸出建立Logistic回歸模型，即構造出一種創新的、具有高穩定性的多策略融合投資模型。該模型在2010年至2017年底進行模擬交易回測，結果表明通過模式識別算法融合多策略后策略的年化收益跑贏基準指數，夏普比率有明顯提高，最大回撤也大大降低，為量化擇時提供新思路。

關鍵詞：量化擇時 模式識別 市場信息熵 多策略融合

一、 引言

量化交易是一種近年來在國際間興起的投資方式，它使用非常嚴謹的數學和統計學手段，用理性的視角設計較低風險和較高收益的投資模型策略。量化投資方法[1]在資本市場上已經發展的十分成熟，得到了廣泛肯定，成為了市場上新型的先進投資產品。很多成熟的國外證券市場具有較高的有效性，即投資者很難通過對股票價格歷史數據進行研究分析而預測未來價格走勢，但是我國證券市場發展時間較短，投資者風險意識較低，很多市場體制和交易手段策略跟國外有著很大差別。長期以來很多投資者可以利用技術分析、基本面分析等量化手段對股票市場走勢進行預測判斷，從而獲取超額收益。然而隨著這些量化技術的大量普及和中國股票市場監管制度的完善，一些技術手段漸漸失去了有效性。本文將一些常見的擇時指標和策略融合起來，然后挖掘市場特征，進而引入模式識別算法來克服股票市場本身具有的非線性[2]和復雜性特點，構造一種具有高創新、高適應性、高預測準確率的多策略融合模型來預測市場的未來趨勢。

二、多維度提取市場特征

隨著中國證券市場的快速發展，越來越多的公司在上海、深圳證券交易所上市，股票市場迎來空前的繁榮期。與此同時，股票市場中每日都會產生海量的交易數據，比如股票的開盤價、收盤價、交易量、漲幅等;所有上市公司的基本面信息也會不斷更新，比如市盈率、市凈率、凈利潤、營業收入等。這些龐大的財務指標以及股票量價數據為那些希望進行主動投資的投資者們提供了進行投資分析的數據基礎，投資者可以將估值指標信息單獨或者通過復雜的數學計算轉化成因子，也可稱為股票特征，進而將其作為輔助工具進行投資決策;也可以引入均線系統等擇時策略分析預測股票的未來價格走勢[3]。但是，股票市場本身具有非線性和復雜性特點，依據單個特征或策略很難長期保持較高的預測準確率和正收益。本文將引入若干創新的市場指標以及一些傳統的策略分析模型，提取它們各自對市場狀態的分析判斷結果作為市場特征用于后面模式識別算法的輸入變量。

在篩選策略和指標的過程中，我們通過對策略組合進行回測發現策略之間的相關性越低，組合收益風險比的提升就會越顯著，即策略設計的核心邏輯要有較大的區分度。這是因為不同的策略在面對同時期的市場狀態時可能會有不同的決策方案，當市場發生突然反轉時，多策略模型可能會相比單策略較早的做出反應，這樣可以大大提高策略組合的抗風險能力，提高策略的夏普比率。同時，我們可以關注同一種策略不同周期的組合也會產生類似的效果。

（一）LLT策略

均線策略是量化擇時策略中最基本的策略之一，它的核心邏輯思想是通過移動平均歷史收盤價跟蹤市場趨勢。因為均線策略對于市場趨勢轉變的反應延遲比較高，容易造成大幅度虧損。本文將介紹這個基于基礎的均線系統的改進策略——LLT策略[4]作為融合模型的基礎策略。

（二）市場“信息熵”

“熵”的概念來自熱力學，它是用來表達分子狀態雜亂程度的一個物理量。香農借用該指標提出了“信息熵”的概念來描述信息源的不確定性，解決了對信息的量化度量問題，而信息量的多少可以衡量一個系統的有序程度。在金融市場中，一些專業機構將市場中的股票按主營業務或者其他信息分類劃分成若干具有較鮮明特征的行業板塊，如申萬一級行業劃分等。據已有市場經驗判斷，當大多數行業的波動方向一致時，整個股票市場容易形成大趨勢，而信息熵作為衡量變量不確定性程度的指標很適合可以用來刻畫不同行業板塊狀態的差異性。

根據Boltzmanns H-theorm，香農將隨機變量X的熵值H（X）定義如下：

（1）

其中X表示隨機變量，隨機變量的取值為，表示事件xi發生的概率，且。

本文借鑒信息熵的思想來構造一個指標確定市場的趨勢強弱：若行業間信息熵越小，說明行業間的不確定度量越小，即行業間出現某種共性，市場的趨勢比較明顯;反之信息熵越大，市場出現分歧，不同行業的表現和走勢有較大區別，市場越容易處于混沌狀態，即震蕩市，未來走勢方向不明確。

本文定義“市場信息熵”的計算方法如下：

（1）按照申銀萬國一級行業劃分標準，將股票分成28組。

（2）每個行業內根據股票的當日漲幅對股票進行打分，得分規則如表1所示。整個行業的得分可表示為，其中n表示行業內股票i的個數，Si為股票的得分。將行業遍歷一遍后，將各個行業的得分歸一化后可得到最終行業得分。

（3）將各行業得分代入信息熵計算公式中可得本文定義的市場信息熵。

計算每日的“市場信息熵值”后，可以構造一種交易策略：用移動平均方法對其進行平滑處理，當短周期均線從長周期均線的下方，向上穿越時看多市場;當短周期均線從長周期均線的上方，向下穿越長周期均線時看空市場。

（三）改進TD策略

上文介紹的LLT策略本質上屬于趨勢跟蹤策略，而本文希望作為基礎信號輸入的策略具有多樣性，故引入主要尋找反轉信號的TD策略[5]。

TD指標是Thomas DeMark于上世紀80年代為了尋找股票的走勢欲反轉區域而設計的，因為其邏輯簡單且預測精度相對較高，該策略在近幾十年間在世界范圍內得到了廣泛的應用和推廣。TD組合策略主要包含啟動階段和計數階段，而每個階段又分為買入和賣出分別統計。啟動階段的作用是通過指定一系列條件識別股價的漲勢或者跌勢是否達到閾值，在確認趨勢之后開始進入計數階段，統計上漲或下跌的天數，并且當計數達到設定閾值之后模型即認為趨勢鄰近終結，反轉即將發生，所以發出相應的買入或賣出指令。

有很多研究機構對TD指標針對中國股票市場作出改進，尋找較適合中國股市特征的指標參數和條件，修改了其中的一些閾值條件，使其可以在中國證券市場中使用并且盈利。廣發證券金融工程團隊就對TD進行了一系列研究和改進，本文借鑒其改進的GFTD策略，設定了長周期和短周期兩組參數，將其產生的信號作為下文模式識別模型的輸入。

三、特征處理及模式識別

從多個策略中分別提取對市場狀態的判別信號后，本文將多維策略信號作為輸入變量，市場真實的漲跌情況作為輸出變量建立了基于邏輯斯特回歸（Logistic Regression）的模式識別模型[6]。邏輯斯特回歸模型又可稱為“對數幾率回歸”，本質上是用線性回歸模型的預測結果逼近真實標記的對數幾率，在分類問題中被廣泛應用。

邏輯回歸模型有很多優點，首先它不受數據分布的影響，避免了當假設分布不準確時實驗結果不準確的問題;而且該模型不僅可以預測樣本集的分類結果，還可以輸出其對應事件發生的近似概率。這兩個優點尤其適用于解決本文所提出的問題，一般來說證券市場中的數據分布并不規則，而且具有多變性，很難用一種概率分布假設及估計參數來長時間近似。其次，投資者想預測市場的趨勢是上漲還是下跌同樣也可以看作是一種二分類問題，邏輯回歸模型可以在有效地解決該分類問題的同時還可以給出市場上漲下跌的概率。因此，本文選擇logistic回歸作為模式識別模型進行樣本訓練學習并用于對市場狀態進行預測。

四、多策略融合模型

多策略融合模型是通過篩選多個策略信號作為模式識別的輸入變量，市場歷史真實狀態作為輸出標簽進行訓練，然后將訓練好的模型對實時股票市場狀態進行判斷和投資以獲得收益。

本文所要建立的多策略融合模型內容及結構如下圖所示：

圖1 多策略融合模型流程圖

本文共選取了5個基礎策略信號作為機器學習模型的輸入，其中LLT策略和TD策略分別有兩組參數對應著抓取不同周期長度信號。LLT策略與TD策略分別屬于趨勢跟蹤策略和趨勢反轉策略，從底層邏輯機理上有著本質區分，而市場信息熵策略是本文創新提出的從市場內部行業間的波動入手分析指數的走勢而不是依賴于表面指數價格數據。這種策略組合搭配保證了策略信號特征的多樣性和區分度，有利于提高邏輯斯特回歸模型的預測精度。

在邏輯斯特回歸模型的訓練過程中，本文用過去4年的基礎策略信號和對應的基準日漲幅數據訓練邏輯斯特回歸模型的參數，使用1年后更新訓練數據集重新訓練模型參數，以此延續。

五、實證檢驗

為證明多策略融合模型的有效性，本文選取滬深300指數作為投資標的，測試過程中設定滬深300指數可做空（沒有加杠桿），截取2010年1月1日至2017年12月31日的每日收盤價數據進行實證檢驗。

從圖3可以看出，本文選用的基礎策略絕大部分還是實證有效的，其中表現較差的TD長周期策略雖然在2016年后表現一直很低迷，但其仍然可以為總體的融合模型提供輔助信息。其次，本文創新提出的市場信息熵的概念也被證明可以長期有效的在中國股市中發揮作用，對指數的走勢有很高的預測能力。

本文提出的多策略融合模型核心思想是利用多種多類策略信號相互補充信息，使得融合后產生的信號更加穩健和準確，從表2提供的回測指標中可以看出，該模型在損失較小收益的情況下大大降低了最大回撤至14.5%，提高了整體的夏普比率至1.1。尤其是在2016年牛市反轉為熊市時，在經

歷一段較少的虧損之后，及時識別出市場風格的轉變，避免了更大的回撤。此結果說明多策略融合模型是比較成功的。

六、結論與討論

本文將屬于趨勢跟蹤和趨勢反轉的策略分別采用不同的參數組合在一起，然后又創新地提出了市場信息熵的概念來判斷市場總體的狀態，進而將這些離散獨立的策略信號通過引入模式識別算法邏輯斯特模型來克服股票市場的非線性特點，來構造一種創新的、具有較高投資穩健性的多策略融合模型來預測市場的模式，對于投資者進行投資決策有很高的指導意義。

本文提出的策略模型更大的意義在于為投資者提供了新的量化思維，一個獨立的策略一般只能在某個固定市場形態下盈利，除此之外會陷入漫長的虧損期，但這并不意味著要廢棄該策略，因為市場是多變的，該策略隨時可能恢復有效性。投資者們可以嘗試將各個獨立的策略通過一些機器學習方法將其作出的判斷作為一種輸入信號，從而在保證不損失過多收益的前提下大大提高模型的穩健性和準確性。

參考文獻

[1]祈海.解讀量化投資-西蒙斯用公式打敗市場的故事[M].北京：機械工業出版社，2009.

[2]徐緒松，陳彥斌.深滬股票市場非線性實證研究[J].數量經濟技術經濟研究，2001，18（3）：110-113.

[3]吳桂雯.量化交易中股票擇時的策略研究[D].

[4]廣發證券，低延遲趨勢線與交易性擇時[R].2013.

[5]廣發證券，基于修正TD指標的指數擇時研究[R].2010.

[6]趙謙，孟德宇，徐宗本 . L1/2正則化Logistic回歸[J].模式識別與人工智能，2012，25（5）：721-728.

[7]周志華.機器學習[M].清華大學出版社，2016.