Press "Enter" to skip to content

量价特征因子:基于HMM的多空策略(附代码)

我们通常使用股市的一手数据来创建一个策略模型,预测下一时刻价格的多少、走势的判断或其他。 今天,我们想结合多样的市场条件(波动性,交易量,价格变化等等)和结合隐马尔科夫(HMM)来构建我们的交易策略。

 

HMM是一个统计模型,它用来描述一个含有隐含未知参数的马尔可夫过程。我们的观测数据就是的市场特征,隐藏状态是市场的行为。

 

我们的目标是解释建模后的隐藏状态,并基于此建立交 易策 略。

 

特征工程与模型构建

 

先导入有关的包:

 

 

数据来自quandl:

 

 

先看看价格和成交量的走势图:

 

 

 

现在我们开始正式的特征工程和建模:

 

 

训练集:01 / 01 / 2018之前。下面的代码有关特征工程:

 

 

然后,我们得到了五个新的时间序列和训练模型 :

 

 

特征序列

 

在上面的代码中,我们还创建了future_return列,它为last_return移动了一个lag。 这是理解隐藏状态的 第一个关键 。我们把这个值画成每个状态的累加和。

 

 

 

正如我们看到的,状态#0有下降的趋势。状态#1没有一个明确的趋势。最后一个状态#2有强烈的上行趋势。  这个带有累积和future_return的简单技巧使我们能够理解每个状态如何对应下一个价格波动。

 

第二个关键 是通过特征来研究每个状态。在此之后,我们可以将这两个事件(未来走势和当前状态)联系起来。让我们为每个状态的特征编写代码和可视化。

 

 

 

每个状态的特征分布

 

现在你可以看到每个状态是如何描述当前状态的。例如,状态 #0和#2具有较大的成交量偏差,这意味着这些状态通常呈现在大成交量上,而状态#1呈现在较小的成交量上。此外,状态#0和#2经常表现出高度的波动性。

 

有趣的是,状态#0的last_return和ma_ratio的值都很低。也许,状态#0对应的是当前的条件(目前)。状态#2的情况是滞后的。

 

对上面的两个表述,我们可以总结为:

 

如果市场目前的状态是#0,那幺在当前的情况下,我们主要处于下跌的市场状态,而这个趋势将会继续。

 

如果市场处于当前状态#1,趋势处于不确定性中。

 

如果市场目前的状态是#2,那幺在当前的情况下,我们主要处于上升的市场状态,而这种趋势将会继续。

 

验证策略

 

逻辑很简单:

 

状态为#0时: 做空

 

状态为#1时: 空仓

 

状态为#2时: 做多

 

我们将使用 Catalyst 框架 :

 

 

 

初始化函数:

 

 

handle_data函数:

 

 

analyze函数(绘制图形并打印结果):

 

 

运行策略:

 

 

正如我们预期的,策略跑赢了基准。如果没有趋势期,则它的结果可能一般。

 

 

总收益: 1.49

 

Sortino coef: 1.88

 

Max drawdown: -0.31

 

alpha: 0.57

 

beta: -0.15

 

如何改进策略:

 

1、向模型添加新特征。

 

2、尝试不同窗口长度。

 

3、建立具有不同隐藏状态数的模型。

 

4、对策略中的隐藏状态和使用规则做出新的解释。

 

5、添加简单的交易规则,如止损等。

 

文章来自: https://twitter.com/TDataScience

 

 

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注