基于hmm的股市预测的matlab,量价特征因子：基于HMM的多空策略（附代码）

来源：雪球App，作者： 量化投资与机器学习，(https://xueqiu.com/1524373058/132678812)

作者：Sergey Malchevskiy

编译：1+1=6 | 公众号海外部

前言

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，那么在当前的情况下，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，那么在当前的情况下，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

总结

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：网页链接

—End—

量化投资与机器学习微信公众号，是业内垂直于Quant、MFE、CST、AI等专业的主流量化自媒体。公众号拥有来自公募、私募、券商、银行、海外等众多圈内18W+关注者。每日发布行业前沿研究成果和最新量化资讯。