机器学习VS动量、反转效应，量化交易1

这是2018的一篇论文《A Machine Learning View on Momentum and Reversal Trading》的观后感。 作者探索并比较了各种机器学习技术，包括决策树（DT），支持向量机（SVM），多层感知器神经网络（MLP）和长短期记忆神经网络（LSTM）。 基于这些机器学习方法来预测中国股市的动量、反转效应。

 

01 /

什么是动量效应

Momentum effect

一般又称“惯性效应”，动量效应是由Jegadeesh和Titman（1993）提出的，是指股票的收益率有延续原来的运动方向的趋势，即过去一段时间收益率较高的股票在未来获得的收益率仍会高于过去收益率较低的股票。

 

02 /

什么是反转效应

Reversal effect 

也称为逆转效应，指在一段较长的时间内，表现差的股票在其后的一段时间内有强烈的趋势经历相当大的逆转，要恢复到正常水平(reversal to mean)，而在给定的一段时间内，最佳股票则倾向于在其后的时间内出现差的表现。

 

总的来说， 动量和逆转效应是股票市场中常见且有趣的现象。动量效应意味着过去表现良好的股票可能继续优于过去表现不佳的股票。相反，逆转效应表明过去的输家可能会在未来转变为赢家 。

 

03 / 

研究思路

可以借鉴下，无非是把常用的DT、SVM、MLP、LSTM等用了个遍，然后对比各自的表现情况。

04 /

特征工程

最吸引我的是特征工程这一步。 特征提取，论文提取了90个特征，包括股票自身的各项指标，和上市公司的财务及业务情况。 具体比如市场报价（例如，价格（开盘价，高价，低价，收盘价），成交量，成交量等），技术指标（如指数移动平均线（EMA），相对强弱指数（RSI），变动率（ROC），移动平均线收敛/发散（MACD）等； 上市公司的财务和业务状况，如市场资本化（市值），价格收益率（PE），市净率（PB），价格 - 销售比率（PS），价格现金流量比率（PCF）等。

 

最后，计算上述指标以及一些统计量，例如平均值和标准偏差值，以生成相应的特征。

 

论文最后，明确指出还需要补充更多维度的特征，例如从在线社交网络中提取的宏观经济指标和情绪数据作为特征。 还有其他国家的市场情况，例如美国股票市场的VIX，香港股票市场的VHSI等。

 

值得学习的一点是， 对于特征工程，维度能多尽量多，涵盖的范围除了研究对象本身，还需要补充各种关联对象的特征，外部环境特征 。

欢迎在mixlab无界社区一起探索~