量化交易策略的研究

楊汶淇

摘 要：在我國的證券市場當中，投資是大家非常關注的問題。如何在很多的品種當中找到優秀的品種，如何找到合適的時間買賣，如何離開市場減少損失和獲取到最大的利益，如何在不一樣的行情當中選擇對應的交易方法，如何在以往交易數據當中發現一些具有代表性的規律，如何要把多種交易品種和方法融合在一起，面對這些內容采用以往的方式是沒辦法進行解決的，通常需要采用量化交易的方法來處理，本文旨在梳理量化交易策略，并對傳統遺傳算法進行修改，使得更好完成相關量化交易任務。

關鍵詞：量化;投資;策

一、量化投資簡介

（一）量化投資定義

量化投資主要就是運用計算機并利用數學模型來進行投資以及決策的過程。通過數學模型和交易規則形成交易的相關指令，然后進行交易的整個過程。量化投資本質上是投資的工具，借助投資者的過往經驗以及數學模型的一類工具。它的核心是把投資者的經驗依據相關的模型在計算中，最終實現正確的投資操作。

（二）國內外主要的量化投資平臺

金字塔交易決策系統：金字塔交易系統是一個專業的交易和行情相結合的多功能的軟件，交易系統里面包括國內的商品期貨、股指期貨、國內外股票實時下單交易。這個平臺能夠支持期貨市場的全部交易，而且可以展開量化投資交易，所以在這個平臺當中可以展開期現、跨期套利，內外盤對沖交易等內容。

交易開拓者交易平臺：交易開拓者交易平臺包括實時行情分析，技術內容的分析，快捷交易，程序化交易等很多方面的內容，它的軟件界面設計非常人性化，使用者能把自己的交易思路輕松轉化為計算機程序，方便操作。

大智慧DTS程式化交易平臺：大智慧DTS程序化交易平臺，這個平臺是大智慧公司開發的一款平臺，在這個平臺當中包含了數據的分析、挖掘，策略的研究和量化交易融為一體，通過這個平臺，能夠把海量的數據內容轉為正確的交易策略，平臺已經受到越來越多的使用者歡迎。

國泰安量化投資平臺：國泰安量化投資平臺是一個集“精準全而數據流、量化投資策略構建、快速仿真撮合驗證、研究與交易無縫切換”于一體的開放式、多功能研究支撐平臺。

二、主要的交易策略類型

（一）趨勢

趨勢實際上就是從高處或者低處朝著固定的方向慢慢走低或者走高的一個過程，假設這個過程完結了，這就意味著這個趨勢完結了，在我們通常的行情當中，百分之七十是震蕩行情，要想判斷趨勢行情，一般需要注意景氣、風險、輿情三個指標內容，這三個指標主要是對應的股票行情，對于期貨等市場行情并不一定適用。

景氣指數、低迷指數與震蕩指數的計算。景氣指數=股價在上漲趨勢中的股票數目/股票票數×100;低迷指數=股價在下降趨勢中的總股票數/股票總數×100;震蕩指數=100-景氣指數-低迷指數。一般可通過景氣指數來大致判斷行情的走勢。

衡量風險指標的計算方法：其計算思想是推算某個固定時間段內兩只股票收益率的相關的數據，從而進一步求得系數的標準差是多少，計算出來的結果包括中期和段期兩種指標。如果短期指標過高，市場就會面臨大跌的情況。

輿情指標的計算方法：輿情指標一般都是收集財經類的報刊網站上的信息，然后判斷市場的行情走向，把行情變化分為幾個檔次，最后根據打分情況，判斷市場未來的走向情況，這種方法就需要全面收集市場的消息情況。

（二）震蕩

在震動的行情中我們通常可以采用網格交易的方法，這種方法的核心是把每個價格當做原點，如果行情升或者降到固定的數量，就掛賣出或者買進，這時候就設置止盈的數字，不設置止損的數字，假設行情是往積極的方向發展，則股票賣出獲利，然后按照這個方法一直循環操作。假設行情一直處于震蕩，那么就可以很容易獲利，如果行情是單邊的，那這種方法不適宜。

（三）套利

套利常用的幾種手段為：期貨不同月份、期貨和現貨兩者之間、不同期貨品種之間、同一期貨不同市場。期貨套利就是利用期貨合約，假設現在的期貨市場的價格水平和現貨市場的價格水平之間有著差距，然后就抓住這兩者之間的差距，對于價格低的品種進行買進，對于價格高的品種賣出。期貨品種跨期套利就是根據市場上面交割期貨合約的時間不一樣展開買賣，獲取一定的利益。期貨跨市套利就是在不同的地區之間對一個期貨合約進行買賣，投資人依據所交易品種的價格不同，進行買賣交易，獲取利益的方法。期貨跨品種套利，就是找尋一些相關聯系比較深的品種，買入一個品種，賣出另一個品種，然后進行獲利的行為。

（四）高頻

高頻交易實際上就是采取很短的時間進行買賣操作，來贏得利益的方法，這主要是某個證券品種買賣價格之間出現變化或者交易所之間存在價格差異的情況。這種交易對于時間要求非常快，一般都是采用把服務器安置在交易所附近的做法，減少線路傳輸的時間。

三、遺傳算法在量化交易中的應用及算法改進

遺傳算法是借鑒達爾文進化論的自然選擇學說基礎上的仿生算法，由密歇根大學的J.Holland教授在1975年提出，該算法通過自然選擇及遺傳過程中染色體的復制、交叉和變異等現象，從隨機初始狀態出發，通過基于概率的選擇、交叉和變異等操作，最終求得最優解，以適應環境。

傳統的遺傳算法存在著兩個缺點，一是收斂的速度比較慢，二是經常會導致局部最優解。所以本文對傳統遺傳算法中染色特的變異和交叉算子優化，以便能夠使得適應度大的個體能夠優先來到下一代，此外，它們有機會與其它個體雜交后進入到下一代，這時候如果適應度值大的個體很自然它的交叉概念就會相對小一些，對一些適應度值小的個體那么它的交叉概念就會大一些。交叉概念大就會使得收斂最優結果的時間變短，相反的情況那么收斂的速度很慢，就會使得無法向前。對于變異算子的優化方法基本一致，本文通過適應值能夠發現，基因的適應值比較大的情況下，它們來到下一代的機會就會大，變異的情況就會變得很少，如果相反，適應度值很小，該基因生存可能性很小，變異情況就會變得很大。

其中交叉算子和生物學相關內容類似，即將父代基因展開互換后重新在一起的操作，即產生新的個體，變異算子就是把一些基因的地方做出改變，如對十二進制編碼的基因片段則是將1變化為0，變異算子與交叉算子均可產生新的子代，一般會讓個體變的越來越好。在算法設計中，交叉算子主要負責算法的全面搜索，變異算子進行輔助，影響局部搜索能力。假如假設的個體基因情況比較類似，這樣交叉的情況變化就不會很大，這就會加大算法的時間和難度，以致收斂速度變慢。

定義染色體之間的相關性為兩個染色體之間的相似程度。

下以二進制編碼的染色體為例說明其含義，設2個基因X，Y分別為

定義個體X，Y之間的不相關系數為：

r（X，Y）表示不相同基因位置總數，r（X，Y）值大小反映基因相關性，大表示相關性小，相同地點多。

從基因配對池中隨機選擇出沒有進行過交叉操作的基因X，將基因池中剩余沒有進行交叉操作的個體記為，從剩余的個體中選擇出一個個體與X進行交叉操作。交叉可能性根據不相關系數而加以確定，越相似的個體交叉可能性應該越小，不相關系數越大的個體間的交叉可能性應該越大，這樣可以逐漸收斂到最優的個體。交叉可能性大小的計算公式為：

其中

從上面的定義可以知道，配對池中任意一個個體被選中的可能性為，則總可能性則為1.當時，個體被選擇的可能性大于被選擇概率的平均值;當時，個體被選擇中的可能性小于被選擇概率的平均值。兩基因進行交叉運算時，設。若交叉地點選擇錯誤，則會使操作失敗，若兩基因地點一樣，其交叉的結果會增大運算能耗，而并未產生新基因個體。故有必要明確有效的交叉部位，進而在有效交叉區域隨機抽取交叉地點，以更好保證交叉后所產生出的個體為新子代個體。地點的選擇方法如下所示：

有效的交叉區域為： 。例如2個基因X=11001101，Y=10100110，其交叉操作有效區域為（1，8）。變異概念的定義如下所示：

其中Pm1=0.05，Pm2=0.05

四、基于遺傳算法的趨勢交易策略的構建和分析

（一）數據處理

采用的是股指期貨主力合約 IF1401-IF1412，運用1，5，15，30，60分鐘，日、周線數據，把數據的內容進行處理。

（二）交易頻率編碼

（三） 入場策略設計及編碼

MACE技術指標即對股票及期貨的最終收盤價格進行處理，計算出其算術平均值是，再計算DIFF和MACD值，二者均為趨勢類指標。首先將快速和慢速移動平均線進行計算，然后依據兩者的差別計算DIFF數值，根據這個DIFF的N日移動的平均線DEA，實際上就是MACD值。

RSI是判斷行情好壞的重要指標，它的正常數據是在0到100，若超80就顯示超買，若不足20就顯示超賣，RS即N日內平均上漲點數除以下跌數，RSI=100–100 /（1+RS），RSI指標一般都是用來對短期的行情進行預判，同時結合其它的指標進行判斷，如果僅僅只依靠RSI指標來判斷行情，往往都是不準確的，所以一般要配合其它的趨勢性技術指標來判斷行情。

（四） 多空操作編碼

股指期貨有兩個方向的交易，故對空頭和多頭分別展開編碼，具體的內容如下

（五）止損操作和采用固定止損的方法

在市場交易的過程中，只有保證合適的時間止損出場，才能有機會盈利。

（六）動態止盈的方法

在交易的過程中，應該能夠根據局勢的判斷，或者到更大的盈利。

（七） 染色體的設計

根據上面的交易內容的編碼，然后匯總成下面的交易策略內容。

（八） 適應度函數設計

將收益率及歷史回撤率視為適應度函數，依據投資者的風險狀況然后采取不同歷史回撤值，后再在一定范圍內對收益率進行排列，結合風險偏好，最大化保證收益率。

五 結語和展望

本文所采用的是基于遺傳算法的趨勢交易策略，在本策略當中主要考慮的是趨勢、入場時間、周期的選擇、止盈時間的選擇及止損比例的優化。本文僅主要關注趨勢交易策略，在實際的市場中，鑒于震蕩行情占多數，后期準備進一步完善。

參考文獻

[1] 蔡雅麗，夏帆，陸威，沈初陽，王玉金.基于趨勢追蹤的量化交易策略研究[J].科教導刊（中旬刊），2018（02）：83-84.

[2] 張劍，王波.基于SVM的滬深300股指期貨量化交易策略[J].數學理論與應用，2017，37（02）：112-121.

[3] 溫從華，王佳林，林岳龍，吳秀玲.基于大數據技術的量化交易策略及金融監管[J].中外企業家，2016（29）：36-38+40.

[4] 黃銳.量化交易改善了中國股指期貨市場質量嗎？——基于股指期貨高頻數據的分析[J].金融經濟學研究，2016，31（03）：60-69.