《基於線上機器學習的組合算法交易策略研究》是依託武漢大學，由李斌擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於線上機器學習的組合算法交易策略研究
- 項目類別：青年科學基金項目
- 項目負責人：李斌
- 依託單位：武漢大學
項目摘要,結題摘要,
項目摘要
算法交易是利用計算機算法進行證券交易的一種創新交易手段。機器學習專門研究從數據中學習出有效的預測模型，從而被用來解決算法交易中的問題。本項目針對當前組合算法交易策略在仿真測試中性能不足以支撐合理交易成本的問題，設計新策略來提升回溯測試的性能。主要研究內容包括：（1）在現有基於機器學習的交易框架上，設計綜合考慮金融市場動量和均值回歸特性的策略，以提升當前策略在零交易成本時的性能；（2）並利用機器學習正則化的理念，設計一套主動考慮交易成本的組合算法交易策略，以提升現有策略在非零交易成本時的性能；（3）針對現有策略沒有解釋收益的薄弱環節，擬運用常見的定價模型來解釋策略的收益。另外，本項目擬公開研究中實現的仿真交易系統及策略，以供同行參考。本項目對於深入理解金融市場的特性，探索組合交易策略的機理，促進市場的有效性和研究計算方法論在金融中的套用具有一定的理論意義和實踐指導價值。
結題摘要
本項目的研究背景是當前算法交易中交易成本至關重要，而現有組合算法交易策略在仿真測試中性能不足以支撐合理交易成本的問題，設計新策略來提升回溯測試的性能，同時研究交易機制的影響。 本項目的主要研究內容包括：（1）基於線上機器學習的方法論，設計考慮均值回復特性或動量特性的組合交易策略，以提升算法在回溯測試中的性能；（2）基於線上機器學習的模型，設計主動考慮交易成本的線上投資組合策略；（3）基於技術因子和基本面因子，考慮在其上設計策略並進行回溯測試；（4）設計和開發一套線上投資組合模型框架，並將其開源。 本項目的重要結果包括：一套基於Matlab的線上投資組合模型框架，並且已經在Github開源；兩套考慮均值回復的投資組合算法，OLMAR和RMR算法；一套考慮動量的算法，SGP；一套考慮交易成本的投資組合算法，TCO；一套利用機器學習挖掘技術面因子的算法，ML-TEA；同時，期貨市場的檢驗證明，趨勢策略在商品期貨市場能夠獲得超額收益，尤其是在分組組合上；通過在A股市場上對公司質量因子的檢驗表明，購買公司質量高的股票能夠獲得顯著的超額收益。 本項目的科學意義在於有助於理解機器學習在投資組合選擇領域發揮作用的機制，有助於研究機器學習在金融投資領域的作用，有助於促進金融和科技的交叉研究，有助於研究金融市場的有效性。同時，本課題的研究成果可以直接由資產管理公司或證券公司所採用，本項目組開源的工具箱有助於金融軟體行業對相關算法的開發。
