基于上海期貨交易所滬銀期貨的量化交易策略分析、設計及優化

黃選州　劉威　陳思行

摘要：近年來，雖然我國期貨交易市場的交易選擇增多，并且交易限制也在放款，但是投資收益的波動性也越來越強。在這種情況下，需要對教育策略進行合理的分析。在文中就基于上海期貨交易所滬銀期貨的量化交易策略分析、設計及優化進行探討。

關鍵詞：期貨交易：交易策略：優化

目前，隨著我國對外開放程度的加強以及監管政策的逐步放寬，我國很多的交易市場的交易選擇不斷增多的同時對交易的限制在逐步放寬，這在促進我國交易市場活躍程度上升的同時也造成投資收益的波動性逐步增強。而正是基于這樣的背景之下，相較于傳統的人工手動型交易，基于機器學習與策略編寫的高頻量化型交易的優勢也逐步顯現出來。本文將通過分析量化交易的規律，給出一套自己的量化交易策略并根據歷史數據對這套交易策略進行回溯，觀察策略效果，進行評價與修正。

一、阿爾法模型

阿爾法模型主要決定了一個交易時機與交易頭寸選擇的技巧，本文選擇趨勢跟隨型交易策略為基礎，設計本策略的阿爾法模型。本文決定設計三個協同指標作為本文模型的阿爾法模型。

指標一：定義高價移動趨勢為后一日最高價減前一日最高價之差，低價移動趨勢為后一日最低價減前一日最低價之差，那么我們進一步再定義凈移動趨勢為高價移動趨勢加上低價移動趨勢，那么凈移動趨勢就反映了相鄰兩天中，后一天價格區間相對前一天價格區問的移動水平。但是為了排除隨機擾動造成的影響，本文將閾值設置為+0.7與-0.1（這兩個數值是基于反復參數優化得到的最優角點）。

將數據期內每一天的凈移動水平連接起來就組成了一條能反映這一時期內每一日價格移動趨勢的線。

指標二：定義平移量為后一日的開盤價減前一日收盤價，由于每日的開盤價一般是由投資者集中競價撮合形成的，那么它相對于前一日收盤價的偏離就可以反應投資者對于價格預期以及對市場前景的態度，所以這個平移量可以反映價格在市場投資者中的預期情況，為了剔除掉一些偶發情況造成的隨機擾動，本文選取移動平均的形式進行反應，移動平均周期選取3天，最后利用經典的長短均線（長線滾動周期70日，短期滾動周期20日）的金叉與死叉MACD指標對此移動平均進行預測，倘若MACD（即短線均值減長線均值）在上升且MACDSignal（即9日移動均值）也在上升，則可以大概率說明此平移量在上升。

以上兩個協同指標分別從最高最低價格與開收盤價的角度衡量了價格變動趨勢，基于這兩個信號，本文建立了python模型。

指標三：為了進一步預測價格走勢，本文引入第三個指標（即波動方差），其定義為最高價波動方差為后一日最高價減前一日最高價之差取符號作為最高價變動信號，然后每15日的最高價變動信號的方差即為最高價波動方差，明顯如果最高價波動方差很小，則說明這15日內相鄰兩天的最高價變化是同符號的，也就說明最高價的這個趨勢在這15日內一直非常顯著：相反若最高價波動方差很大，則說明這15日內相鄰兩天最高價變化的符號經常改變，也就說明這個期問最高價變動沒有趨勢或者趨勢不明顯。同理定義最低價波動趨勢。最后，同樣通過反復迭代的方式確定最優閾值為0.6。

在引入最高最低價格波動趨勢以后，本文將三個指標同時協同使用，對于同樣的回測期問與投資產品，重新進行回測。相較于雙指標的情景，三指標的情景的年化收益率與夏普率有所下降（分別降低到了11.43%與1.38），三指標策略濾去了很多短期套利的機會，而選擇具有長期持有潛力的試點入市，這就造成其在回溯期問的盈利能力有所下降。但是同時可以發現勝率提升到了72.41%，而且日均成交筆數從2.27筆降低到0.21筆。

結果務析：所以可以看出，雙指標與三指標各自有各自的優勢。

雙指標策略的夏普率與年化收益率較高，能夠帶來更多的收益，但同時由于交易信號達成難度較低，造成交易非常頻繁而且勝率不高，其高收益率來源于其高頻率的交易，其盈利主要來源于短期套利，所以雙指標策略比較適用于交易成本較低、投資者風險偏好較高或者市場短期內波動較為明顯（即有著大量短期但規模較小的套利機會）的情景。

三指標策略的夏普率與年化收益率較低，但由于交易信號達成較難，所以交易頻率很低，其收益主要來源于一旦發現套利機會并入場后長期持有該產品直到有明顯信號顯示出場時平倉所帶來的長期持有收益，所以三指標策略主要適用于交易成本較高、投資者風險厭惡程度較高或者市場短期內波動不明顯（即缺乏大量但規模較小的套利機會）的情景。

二、風險模型

本文選擇價格波動超限止損模型作為本策略的風險模型，其本質就是倘若對于阿爾法模型給出做多信號但下一期實際價格下跌到買入價的（l-止損比例）時無論阿爾法模型是否給出平倉信號都由風險模型強制平倉，同樣倘若對于阿爾法模型給出做空信號但下一期實際價格上漲到買入價的（1+止損比例）時無論阿爾法模型是否給出平倉信號都有風險模型強制平倉。

這個風險模型雖然本身并不能協助套利策略盈利，甚至有時會因為價格的隨機擾動而造成無謂的平倉損失，但很多時候，尤其對于突發的股災或者偶發的事件造成的價格反常波動，它能夠保障一個套利策略的損失可控。

本文通過迭代優化最終選擇0.02作為風險模型的止損比例。

結果分析：相較于沒有風險模型的純阿爾法模型套利策略，加入風險模型后套利策略的夏普率與年化收益率均明顯下降，這是由于一些出于隨機擾動造成的價格反預測的變動被風險模型錯誤識別為平倉信號造成無謂平倉，一方面造成了價格變動的損失，同時也造成了交易成本的損失。但是同時對比圖像可以看出加入風險模型后的總資產圖像更加平穩，波動幅度有所下降，這是由于很多細微的震蕩被風險模型濾去了。

綜上所述，可以看出風險模型一殷適用于市場波動明顯、市場未來短期態勢難以預測以及投資者強烈風險厭惡的情景之下，加入風險模型后會造成收益率與夏普率的下降，但作為回報，套利策略的損失上限得到更好的保障。

三、交易成本模型

交易成本在交易過程中是個非常重要的決定投資決策的影響因素，尤其是在量化高頻交易策略當中，這主要是因為：高頻交易就意味著必須在短時問內進行大量的交易以套利，這就會造成非常高昂的交易成本，而大多數情況下套利機會能提供的套利空問都不會很大，這就導致如果一次高頻交易的套利空間甚至無法抵補交易成本，那么這個套利機會就是不值得捕捉的。

本文選擇常數交易成本的方法管理交易成本，即在每次交易成本中默認交易價格為當前市場價格加上或減去交易成本后的值。對于滑價，做以下處理：如果是做多交易，則交易價格為目前價格加上預設的劃價：如果是做空交易，則交易價格為目前價格減去預設的劃價。

基于上海期貨交易所目前的規定，本文假設劃價為0.5元每單位，而交易成本為總成交額的5/10000。

四、執行模型

對于一個標準的量化交易套利策略而言，一般包含五個部分，分別是阿爾法模型、風險模型、交易成本模型、投資組合構建模型、執行模型。

目前本文已經完成了前三個部分的編寫，關于投資組合構建模型，他一般是用于將選擇出的多個有套利可能的投資產品進行頭寸匹配來實現在保證期望收益率固定的情況下最小化收益的波動性的目的，而本文主要分析針對單一投資產品的套利策略，所以不涉及投資組合構建模型。

一個量化套利策略必須落實到執行模型當中，即通過執行模型將阿爾法模型、風險模型、交易成本模型與投資組合構建模型實體化為python可以識別理解、可以與期貨交易所或股票交易所的交易平臺相銜接的一個可用于實際交易的策略。

執行模型的核心就是設置當交易信號發生時應該如何進行交易。

本文選取相對保守的少進多出型執行模型。在這個執行模型下，當出現價格上漲信號時，倘若目前是多頭則進一步買多，若此時是空頭則平倉但不反向買多，若同時持有多空頭則平掉空頭但不進一步買多：同樣出現價格下跌的信號時，倘若目前是空頭則進一步賣空，若此時為多頭則平倉但不賣空，若同時持有多空頭則平掉多頭但不進一步賣空。

五、量化交易策略的后期修正

在構建并代碼化策略后，量化交易者還需要基于最新的市場情況在后期不斷修正策略代碼或調整參數，這是由于對于任何策略而言，其適用的市場情況是不同的，比如說如第二部分討論的，雙指標策略比較適合于價格劇烈波動而沒有明顯趨勢的情況，通過觀察價格走勢圖可以發現2018年l1月30日至2019年1月15日期問非常符合這個特點（這個時段正好是價格趨勢發生反轉的時期，所以價格波動比較明顯且無顯著變化趨勢），所以本文特別的將回溯時問設置為這個期問重新進行了回溯。

這個時間段內雙指標策略的表現非常理想，其夏普率達到了6.95，年化收益率達到了24.7%，這遠比將這個策略應用于2018年2月1日至2019年3月20日這整個區間所得到的結果好。

而量化交易者對策略的后期修正就是不斷基于對目前基本面的分析，大體預測出未來一段時問內市場的大體情況，并基于此選擇出最佳的套利策略或者調整參數至最優水平。

參考文獻：

[1]王顏溶，董瑩瑩，馮小珊.基于高頻交易數據的波動率及量化交易研究【J].現代商業，2019（09）：85-88.

[2]李雁，劉金山，楊鎮綱等.商品期貨量化交易策略【J].中國商論，2019（01）：54-57.

[3l[美]里什-納蘭.打開量化投資的黑箱，第二版【M].北京：機械工業出版社，2019.

[4]李易桐.基于MACD指標的滬金期貨量化交易模型的參數優化研究『D].南宇：廣西大學，2018.

【5]劉峰，蔡志杰，樂斌.基于市場資金流向分析的商品期貨量化交易策略[J].數學建模及其應用，2017，6（03）：35-41.