基于Bootstrap方法、隱馬爾可夫模型與隨機森林的量化投資策略實證研究.pdf

1、量化投資近些年來越來越受到投資者的關注，尤其在中國，股票市場與期貨期權市場有著非常多的標的可以進行交易與投資。由于機器學習方法本身與量化投資的特點相契合，機器學習方法逐漸成為了量化投資的主流研究方向。怎樣將機器學習的優(yōu)點與量化投資相結合，并且盡量規(guī)避機器學習方法過擬合的缺點，成為了很多從業(yè)者所要解決的主要問題。本文主要從國內(nèi)較為活躍的商品期貨鐵礦石期貨主力連續(xù)合約入手，對其日線級別的數(shù)據(jù)進行建模，從價格與成交量等數(shù)據(jù)中提取出特征，并對特

2、征進行進一步的超額收益有效性檢驗與刻畫市場價格狀態(tài)能力的篩選，然后構造隨機森林模型對市場漲跌狀態(tài)進行預測，最后形成關于鐵礦石期貨的量化交易策略。
　　本文首先介紹了量化投資、機器學習模型等領域的發(fā)展歷程，簡述了與實證部分相關的理論知識基礎。之后用鐵礦石的主力連續(xù)合約日線級別數(shù)據(jù)進行了實證研究。實證研究的第一步是構建特征，這些特征的來源是鐵礦石日線級別的量價信息，接著使用非參數(shù)的bootstrap方法檢驗了每個特征對應的超額收益有效

3、性。然后，利用上一步篩選的結果，使用非監(jiān)督的隱馬爾科夫模型檢驗哪些特征可以較好地刻畫市場的狀態(tài)。隨后，使用如上步驟篩選出的指標構造模型對樣本外數(shù)據(jù)進行預測。最后，根據(jù)預測的結果形成最終的鐵礦石量化投資策略。
　　本文的實證研究結果表明，本文所構造的隨機森林模型在較短的時間尺度上可以達到較為良好的準確率，從量化策略的績效角度講可以獲得更高的收益與更低的最大回撤。這說明了有效地使用機器學習方法與量化策略相結合可以產(chǎn)生穩(wěn)定的超額收益。本