论文部分内容阅读
相对于现货市场,股指期货具有良好的流动性、灵活的开平仓制度,使得股指期货在资产配置过程中起到了降低投资风险的作用。由于上证50股指期货2015年才上市,历史数据少,目前对金融期货市场的研究较少,缺少成熟的股指交易策略参考。本文讨论了能够准确地预测股指价格的变动趋势而获取价差收益的一些问题。首先构建了不同时序周期的ΔT时序样本集作为模型输入,然后在优化机器学习预测模型和改进CTA趋势策略的基础上,构建了一个基于机器学习的CTA策略模型,最后对这个基于机器学习的CTA策略模型作了有效性验证。本文的主要研究内容及成果包括以下几个方面:(1)构建了不同时序周期的ΔT时序样本集。由于上证50股指期货仅有4年的历史交易数据,为解决模型输入数据量的不足,通过改变选取1分钟、1小时和1天的精细化样本粒度,构建了一个ΔT时序样本集。利用股指期货和股票指数的强相关性扩占数据广度,使1分钟的数据集达到46万条左右,有效地解决了上证50股指期货数据量不足的问题,为后续的模型训练提供了足够的数据基础;(2)优化机器学习预测模型和改进CTA趋势策略。将股指的股指的开盘价、收盘价、成交量等特征和ΔT时序表征成N*T的特征矩阵作为DNN、CNN和LSTM模型的输入,优化了机器学习预测模型,提高了模型对价格走势的预测准确性;对CTA趋势策略作了一些改进,采用不同参数的布林带策略和唐奇安策略,提高了策略的弹性,改善了传统CTA策略对市场时效性短的问题;(3)构建了一个基于机器学习的CTA策略模型。利用优化后的机器学习预测模型和改进的CTA趋势策略,采用LSTM-Donchian IH连续合约1天策略和CNN-Donchian IH连续合约1分钟策略,给机器学习模型预测信号予以一定的权重和对唐奇安策略的信号加权,得到新的交易信号,整合成新的策略模型;(4)验证基于机器学习的CTA策略模型的有效性。通过实验,本文构建的两个混合的模型CNN-Donchian和LSTM-Donchian模型的准确度达到86.75%和75.49%、收益率达到100.16%和98.8%,高于其他的模型,证明了本文基于机器学习的CTA策略模型的有效性。