【量化投资】基金择时策略浅析（4） ——参数优化和模型稳定性

最新推荐文章于 2024-07-03 22:27:16 发布

JDJRdata

最新推荐文章于 2024-07-03 22:27:16 发布

阅读量6.8k

点赞数 3

分类专栏：金融科技大数据技术文章标签：大数据量化技术投资优化

本文链接：https://blog.csdn.net/jdjrdata/article/details/76658222

版权

本文探讨了量化投资中的参数优化和模型稳定性问题。以基金择时策略为例，通过调整入场阈值t1和出场阈值t2进行优化，寻找最大化超额收益的参数组合。模型稳定性方面，指出因金融市场数据的局限性可能导致过拟合，强调应关注参数的合理范围和策略的鲁棒性。最后，展示了策略在实际应用中的表现。

摘要由CSDN通过智能技术生成

参数优化

回顾一下之前我们列举的自下而上择时方法的实例：1）首先计算目标集合S中每只成分股近K=30日的收盘价极大值和极小值，2）然后统计昨日收盘价等于极大值的股票数量M1和昨日收盘价等于极小值的股票数量M2，3）计算指标F=(M1-M2)/size(S)用来表示股票集合S的市场热度，4）设定阈值T=50%，如果F>T则市场状态为牛市，反之为熊市。

在这个策略框架下，可调整的参数有两个：个股的近期股价极值取最近K=30日还是其他区间，以及阈值T应该设为50%还是其他值。其中K的变动要作用到集合中的每一只股票，所以它的优化比较麻烦一些，在实际操作中可以直接根据经验将K固定到少数几种取值上进行对比测试，而不是进行大范围的调整，就像机器学习模型中的超参数。因此我们这里以T为例来阐述模型参数的优化过程。

在上文中我们曾经提到，如果简单的将T设为50%，那么策略出入场信号会比较频繁，导致较高的交易成本，而将T拆分成出场阈值和入场阈值，可以起到缓冲的作用，在保证策略总收益的前提下，可以大幅降低交易成本。因此我们将优化问题的可变参数设定为2个，即入场阈值t1和出场阈值t2。完整的优化问题描述如下：