CN110222951A - 基于市场形态的交易策略自适应调整方法 - Google Patents

Abstract

本发明公开了一种基于市场形态的交易策略自适应调整方法，包括以下步骤：设定交易策略的逻辑框架；在每一逻辑框架中设定多种人工智能模型，人工智能模型对输入指标进行多层次分析和训练；将不同的人工智能模型以过滤器的方式连接成一个大的模型组合，在模型组合内部将输入指标进行筛选，保留显著度高噪音低的输入指标来生成交易信号；判断市场形态，选择与市场形态对应的逻辑框架；由逻辑框架中选择最近表现最好和历史长期稳定表现好的人工智能模型得出交易策略；重复操作，针对每一交易周期的市场形态变化自适应调整交易策略。交易逻辑可以随着市场情况而变，不需要人的干预，降低了人工成本，避免人为错误。

Description

基于市场形态的交易策略自适应调整方法

技术领域

本发明涉及一种基于市场形态的交易策略自适应调整方法。

背景技术

在我国，随着过去三十年经济的高速发展和国有资产、国民财富的指数级增长，自2012年以来，中国已进入“大资管”时代，其中仅2012-16年资管行业年均复合增长率就高达41％，标志着资管行业在调控经济运行和优化产业结构中起到了越来越重要的作用。

2018年依然是资管行业高速增长的一年，根据中国证券报、中国财富研究院、星石投资联合编著的《2018年中国资产管理行业报告：回归本源与对外开放，大资管时代再启航》，截至6月，我国资产管理行业总规模已经突破124万亿元人民币，其中银行理财29.8万亿，信托计划24.41万亿，保险资管14.65万亿，券商资管17.37万亿，公募基金11.14万亿，私募基金10.32万亿，其他类16.34万亿。

与此同时，2018年也是资管行业大变革之年：2018年4月27日，《关于规范金融机构资产管理业务的指导意见》落地，多部门开始联手实现对资管行业的统一监管；2018年4月11日，中国人民银行行长易纲在博鳌亚洲论坛宣布进一步扩大金融业对外开放的具体措施和时间表，金融和资管行业对外开放也进入了快车道。

在当前资管行业强监管及产业链重塑、金融市场对外开放的大背景下，国内资管行业面临着前所未有的挑战和压力，但从业资管机构的策略开发方法存在诸多问题：

(1)投资方法偏静态，难以适应剧烈变化的市场环境。多数资管机构的投资方法寓于固定的准则或思路，而非根据市场状况实时调整，当金融市场震荡或市场结构发生变化的时候，投资方法即表现不良甚至失效；

(2)风险控制水平有限，难以抵御系统风险和规避非系统风险。资管行业普遍存在风控人员缺失、策略落后、体系不完善等问题，受黑天鹅、灰犀牛等系统性风险事件冲击大，而资产组合分散化程度不足，导致容易受行业或标的特殊因素影响，导致产品回撤大、夏普率低；

(3)策略单一同质化严重，难以创造新的增长机会和避免羊群效应。策略的同质化导致资管机构的行为和操作趋同，进而使得收益率降低，策略生命周期缩短，同时带来的羊群效应加剧资产价格波动，不利于稳定金融市场。

目前大部分的量化基金采用的都是静态的策略。所谓静态，意思是说交易的时候采用同一套规则甚至是同一组参数来应付不同的市场状况，以不变应万变，这个听起来好像比较完美，好像是说在任意市场状况下都能盈利，实际上有着根本性的错误，第一就是市场永远都在变化，很难说过去的市场完全反应了所有的市场情况，一旦因为宏观的变化或某些事件的发生改变了市场形态，出现了新的市场形态，静态的策略就会失效，比如说从去年11月美国大选后到今年年中出现的历史最低波动性，导致很多趋势类基金表现大幅下滑，第二呢，多数静态的策略都是看比较长期的表现，因为在10、20年的时间里，同一种形态总是会出现，静待其出现这种事情不可能发生在资产管理行业，因为客户不会给无限长的时间去实现策略的可能回报，往往几个月表现一般甚至为负，客户就会撤资了。现在的市场里，多数客户期望的是一个稳定的回报。为了解决静态策略的问题，行业里进行了各种各样的尝试，但是一般奏效不多，因为关键点在于如何跟得上市场变化的节奏，用人去跟踪基本上是不可能的，因为人的效率太低而且人犯错误的可能性太高。

发明内容

本发明提出一种基于市场形态的交易策略自适应调整方法，使用AI设计的策略，交易逻辑可以随着市场情况而变，在不同的阶段，根据趋势的强弱，AI策略可以自动调整自己的参数来适应市场的急速或缓慢的变化，完全不需要人的干预，降低了人工成本，避免人为错误。

本发明的技术方案是这样实现的：

一种基于市场形态的交易策略自适应调整方法，具体包括以下步骤：

S1，设定交易策略的逻辑框架；

S2，在每一逻辑框架中设定多种人工智能模型，人工智能模型对输入指标进行多层次分析和训练；

S3，将不同的人工智能模型以过滤器的方式连接成一个大的模型组合，在模型组合内部将输入指标进行筛选，保留显著度高噪音低的输入指标来生成交易信号；

S4，判断市场形态，选择与市场形态对应的逻辑框架；

S5，由逻辑框架中选择最近表现最好和历史长期稳定表现好的人工智能模型得出交易策略；

S6，重复步骤S4-S5，针对每一交易周期的市场形态变化自适应调整交易策略。

优选的，步骤S1中，设定交易策略的逻辑框架为趋势跟踪、均值回归、事件驱动、统计套利。

优选的，步骤S2中，对所述人工智能模型的相似度函数和/或核函数和/或收敛函数和/或激活函数进行优化。

优选的，步骤S3中，在模型组合内部将输入指标进行筛选，所述输入指标覆盖动量，方向，强度，波动性多维度，并进行多项预处理，预处理包括但不限于通过主成分分析去重，快速傅里叶变换去噪，通过Z-Score Test筛去问题指标，找到最优的初始参数。

优选的，若干所述模型组合采用Stacking、Boosting或Bagging的集成学习方式进一步组合。

优选的，步骤S4中，判断市场形态，选择与市场形态对应的逻辑框架具体包括以下步骤：

S41，逐一选择逻辑框架，从选定的逻辑框架中选择适用的人工智能模型；

S42，人工智能模型挖掘出交易指标组合成的交易信号；

S43，判断交易信号的收敛速度快慢以及是否可以在较少的迭代次数下获得高赢率，若交易信号的收敛速度快且可以在较少的迭代次数下获得高赢率，则当前选择地逻辑框架合理正确。

优选的，步骤S5，由逻辑框架中选择最近表现最好和历史长期稳定表现好的人工智能模型得出交易策略具体指的是

从最早的数据开始，以市场形态为周期，在每个周期上所有备选人工智能模型进行优化和排序，选择最近表现最好和历史长期稳定表现好的模型来生成下一个周期的交易策略。

优选的，在每一个交易周期，人工智能模型将交易数据随机划分为训练集和测试集，设置一定的交易数据作为验证集，验证集用于对人工智能模型生成的交易策略进行模拟实盘测试，若无法通过测试，则该交易策略宣布无效，生成过程终止。

本发明的有益效果在于：使用AI设计的策略，交易逻辑可以随着市场情况而变，在不同的阶段，根据趋势的强弱，AI策略可以自动调整自己的参数来适应市场的急速或缓慢的变化，完全不需要人的干预，降低了人工成本，避免人为错误。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于市场形态的交易策略自适应调整方法一个实施例的流程图；

图2为人工智能模型的一个实施例示意图；

图3为不同人工智能模型连接成的模型组合；

图4为人工智能模型切换和选择的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提出了一种基于市场形态的交易策略自适应调整方法，具体包括以下步骤：

S1，针对每一市场形态设定交易策略的逻辑框架；

S2，在每一逻辑框架中设定多种人工智能模型，人工智能模型对输入指标进行多层次分析和训练；

步骤S2中，对所述人工智能模型的相似度函数和/或核函数和/或收敛函数和/或激活函数进行优化。

S3，将不同的人工智能模型以过滤器的方式连接成一个大的模型组合，在模型组合内部将输入指标进行筛选，保留显著度高噪音低的输入指标来生成交易信号；

S4，判断市场形态，选择与市场形态对应的逻辑框架；

步骤S4中，判断市场形态，选择与市场形态对应的逻辑框架具体包括以下步骤：

S41，逐一选择逻辑框架，从选定的逻辑框架中选择适用的人工智能模型；

S42，人工智能模型挖掘出交易指标组合成的交易信号；

S43，判断交易信号的收敛速度快慢以及是否可以在较少的迭代次数下获得高赢率，若交易信号的收敛速度快且可以在较少的迭代次数下获得高赢率，则当前选择地逻辑框架合理正确。

S5，由逻辑框架中选择最近表现最好和历史长期稳定表现好的人工智能模型得出交易策略；

S6，重复步骤S4-S5，针对每一交易周期的市场形态变化自适应调整交易策略。

在本发明的实施例中，设定交易策略的逻辑框架为趋势跟踪、均值回归、事件驱动、统计套利。当市场波动性大的时候采用趋势跟踪的方式，波动性小的时候采用均值回归的方式，市场突然出现套利机会的时候可以马上转入统计套利的模式等等。

金融市场交易数据有三个主要特征：量少，每个标的只有有限时间的一组交易数据，新的数据每日随市场更新，不能人工无限产生；维度高，每个交易时点都包含了大量反应当前市场交易状态的信息维度；时间序列，无论是测试还是优化，只能从前往后进行，不能进行交叉验证。这些特征对模型的有效性提出很多挑战，使得经典模型无法被直接用来挖掘信号。因此本发明重新设计了人工智能算法，改进模型的结构和训练步骤，保证了挖掘出的交易信号的准确性和稳健性。以最小近邻(KNN)这个最简单的模型为例，它的市场逻辑在于从历史数据中找到与当前市场状况最相似的前N天，然后以这些天之后的市场涨跌幅度来投票决定未来的涨跌概率，这其中最核心的地方在于如何来计算不同天之间的相似度，传统的KNN模型采用的相似度函数多以曼哈顿距离、欧几里得距离、明可夫斯基距离等为主，但因为作为模型输入的指标类型并非同种，以技术类指标为例，就可以分为动量、波动性、趋势方向、趋势强度等指标，它们反应了市场不同方面，彼此之间不能并列，就像物体温度和高度的关系，若带入距离函数，所得结果是没有意义的，因此本发明重新设计了相似度函数，以加入层次分析模型的方式解决了这个问题。对于其他类的人工智能模型，本发明在核函数、收敛函数、激活函数等方面都做了相应改进，形成独特的新模型。

为了更好发挥模型的功能和提高投资策略丰富度，本发明在模型组合算法上也有独特的技术，简单来讲，本发明把不同模型以过滤器的方式连接成一个大的模型组合，在模型组合内部将输入指标进行筛选，只保留显著度高噪音低的部份来生成交易信号。同时，作为模型组合输入的指标集，其覆盖动量(Momentum)，方向(Direction)，强度(Strength)，波动性(Volatility)等维度，且为保证模型组合的有效性，指标集会进行多项预处理，通过主成分分析(PCA)去重，快速傅里叶变换(FFT)去噪保证指标的最大代表度，通过Z-ScoreTest等筛去问题指标，Random Hill-Climbing算法等找到最优的初始参数等。在选择模型组合时，考虑到模型假设的不同，优先选择同一类别的模型。而在过滤器层次上，每一层可以采用Stacking、Boosting或Bagging的集成学习方式进一步组合，总体上过滤器不超过5层，而对于有效信号集的选择，使用过滤器迭代筛选时，迭代次数不超过100次。

优选的，步骤S5，由逻辑框架中选择最近表现最好和历史长期稳定表现好的人工智能模型得出交易策略具体指的是

策略的训练和优化采用往前滚动(Walk-forward)的方式，从最早的数据开始，以市场形态为周期，在每个周期上所有备选人工智能模型进行优化和排序，选择最近表现最好(在当前周期表现排名第一)和历史长期稳定表现好(在过去所有周期内至少有60％的时间表现排名前三)的模型来生成下一个周期的交易策略。

在每一个交易周期，交易周期的划分由机器来决定，一个周期长短非固定，可以是几周、几月或是几年，为方便表示，以五年为一个固定周期。人工智能模型将交易数据随机划分为训练集和测试集，设置一定(比如1/4-1/3)的交易数据作为验证集，每个验证集对模型来说都是未知数据，有且只能用一次，验证集用于对人工智能模型生成的交易策略进行模拟实盘测试，若无法通过测试，则该交易策略宣布无效，生成过程终止。只有所有挑选出的模型在所有交易周期上都通过了验证集，所得策略才会进入生产线，供客户使用。通过这些方式，本发明保证了生产出的策略是低拟合度、高预测度和稳健性。

以下对人工智能模型生成交易策略的训练步骤进行举例说明：

·一个交易恒生指数(HSI)的量化策略的训练方法

·训练目标：高精度的二元买卖分类器

·训练步骤：

1)将20年HSI数据随机分为训练集(1-1/e)和测试集(1/e)；

2)将训练集数据进行有放回抽样形成N个子样本(每个样本大小至少1/N数据，子样本加和要覆盖所有原始训练集数据)；

3)对每个子样本进行以下操作：

-进行主成分分析(PCA)，将指标进一步降维为M个；

-从M个指标里随机选择M/2个指标计算根据熵值进行节点分裂一直到产生决策树；

-计算决策树的精度，如果高于80％则停止，如果不，则添加或减少一个指标，重复步骤3)；

-另外，在添加指标后若得到的决策树精度比添加之前提高不到10％，则从下一轮训练的指标集中剔除此指标；

4)根据得到的P个决策树以多数投票原则决定结果，此即随机森林，计算其在整个训练集上的精度，如果高于97％则停止，如果不，则重复步骤2)-3)；

5)计算随机森林在测试集上的精度，如果高于90％则停止，如果不，则重复步骤2)-4)；

6)重复步骤1)-5)K次，如果得到的随机森林在K次测试中精度都高于90％，则停止，否则宣布模型训练失败。上述N、M、K、P均为正整数。

本发明的策略自适应调整方法生成的AI策略可以动态适应市场变化，随着市场形态来自动更新策略的逻辑框架、交易规则和参数，从而保证策略长期稳定有效。其可以大大提高资管机构的运作效率、业绩表现和抗风险能力，随着进一步技术的升级和市场的渗透，最终将颠覆整个资管行业。

同时，该方法可以有效避免市场踩踏，引导市场规范理性交易，增强金融风险防控能力。其可帮助不同的金融机构使用分散化的策略，可有效地避免市场情绪尤其是恐慌情绪引起的的“跟风”和踩踏行为，理性化投资决策，减少甚至消除非理性化投资导致的损失；同时可以起到引导市场情绪、稳定市场信心的作用，增强金融风险防控能力。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于市场形态的交易策略自适应调整方法，其特征在于，具体包括以下步骤：

S1，设定交易策略的逻辑框架；

S2，在每一逻辑框架中设定多种人工智能模型，人工智能模型对输入指标进行多层次分析和训练；

S3，将不同的人工智能模型以过滤器的方式连接成一个大的模型组合，在模型组合内部将输入指标进行筛选，保留显著度高噪音低的输入指标来生成交易信号；

S4，判断市场形态，选择与市场形态对应的逻辑框架；

S5，由逻辑框架中选择最近表现最好和历史长期稳定表现好的人工智能模型得出交易策略；

S6，重复步骤S4-S5，针对每一交易周期的市场形态变化自适应调整交易策略。

2.根据权利要求1所述的基于市场形态的交易策略自适应调整方法，其特征在于，步骤S1中，设定交易策略的逻辑框架为趋势跟踪、均值回归、事件驱动、统计套利。

3.根据权利要求1所述的基于市场形态的交易策略自适应调整方法，其特征在于，步骤S2中，对所述人工智能模型的相似度函数和/或核函数和/或收敛函数和/或激活函数进行优化。

4.根据权利要求1所述的基于市场形态的交易策略自适应调整方法，其特征在于，步骤S3中，在模型组合内部将输入指标进行筛选，所述输入指标覆盖动量，方向，强度，波动性多维度，并进行多项预处理，预处理包括但不限于通过主成分分析去重，快速傅里叶变换去噪，通过Z-Score Test筛去问题指标，找到最优的初始参数。

5.根据权利要求4所述的基于市场形态的交易策略自适应调整方法，其特征在于，若干所述模型组合采用Stacking、Boosting或Bagging的集成学习方式进一步组合。

6.根据权利要求1所述的基于市场形态的交易策略自适应调整方法，其特征在于，步骤S4中，判断市场形态，选择与市场形态对应的逻辑框架具体包括以下步骤：

S41，逐一选择逻辑框架，从选定的逻辑框架中选择适用的人工智能模型；

S42，人工智能模型挖掘出交易指标组合成的交易信号；

S43，判断交易信号的收敛速度快慢以及是否可以在较少的迭代次数下获得高赢率，若交易信号的收敛速度快且可以在较少的迭代次数下获得高赢率，则当前选择地逻辑框架合理正确。

7.根据权利要求1所述的基于市场形态的交易策略自适应调整方法，其特征在于，步骤S5，由逻辑框架中选择最近表现最好和历史长期稳定表现好的人工智能模型得出交易策略具体指的是

从最早的数据开始，以市场形态为周期，在每个周期上所有备选人工智能模型进行优化和排序，选择最近表现最好和历史长期稳定表现好的模型来生成下一个周期的交易策略。

8.根据权利要求7所述的基于市场形态的交易策略自适应调整方法，其特征在于，在每一个交易周期，人工智能模型将交易数据随机划分为训练集和测试集，设置一定的交易数据作为验证集，验证集用于对人工智能模型生成的交易策略进行模拟实盘测试，若无法通过测试，则该交易策略宣布无效，生成过程终止。