研究结论
在这篇报告中我们着重讨论了这个被市场广议的隐马尔科夫模型是怎样的,如何把它应用到期货市场当中来,以及如何更好利用它进行择时预测以获取到更大的收益。http://www.hibor.com.cn【慧博投研资讯】
时间序列一般可以被看做是两个动态的线性过程,一个是从t-1 时刻到t 时刻的状态演变过程,另一个是t 时刻从状态变量到观测值的观测过程。http://www.hibor.com.cn(慧博投研资讯)实际上隐马尔科夫模型正是在此基础上,假设了系统内在状态是隐性的,且变化过程为满足一阶马尔科夫性质,并且可由外部的可被观测的一系列观测值推测出隐状态的变化过程,一个隐马尔科夫模型一般由初始状态概率向量、转移概率矩阵和观测概率矩阵这三个要素共同决定。
隐马尔科夫模型作为一种机器学习方法曾广泛应用于语音识别领域,目前又被大量地研究应用于金融市场当中。为了能够尽可能地挖掘该模型的应用潜力,本篇报告就尝试使用它在商品期货上面构建出的日间级别的CTA 策略。
避免使用到未来数据,在使用“窗口数据”时,窗口的长度在超过10 天之后,对预测结果的影响就不再变化。
隐马尔科夫模型对金融市场的择时预测主要涉及到两个问题,第一个是从已知观测值序列(特征因子)到最适合的模型参数的学习估计问题,第二个是从待预测的观测值序列到最可能的隐状态序列的解码预测问题。我们基于样本内数据着重考察了影响隐马尔可夫模型在应用时的预测准确率大小的因素,并提出了几个重要问题对最优隐状态数、因子的高斯分布特性、涨跌预测方式进行了分析。基于样本内最优的参数选择,我们基于不同特征因子也对样本外进行了预测,其中最好因子的回测预测准确率达到50.9%。
除此之外,我们也使用窗口滚动式的预测方式对隐马尔科夫模型进行了分析,得到了表现相对较好的隐状态数和移动窗口长度,并基于不同的特征因子对2015 年以来的市场进行了回测,如下图所示,其中最好的因子RC 的回测结果预测准确率达到59.7%。 我们另外挑选了成交量较大而且上市日期在2015 年以前的22 个期货品种做了测试,基于几个不同的特征因子焦炭和棕榈油等都取得了不错的回测收益。
以上的回测都采用的是3 倍杠杆,止损点位为相对于开仓价累计浮亏0.5%,并且没有设置滑点数。由于回测设置的差异也会导致回测结果不同,我们也重点分析了在HMM 模型预测下,不同的止损比例、手续费比例、滑点数和杠杆比例对回测结果的影响。
感谢东证衍生品研究院分析师李晓辉对本报告的贡献。