基于在线机器学习的组合算法交易策略研究

Algorithmic trading, which utilizes computational algorithms for trading securities, is an innovative trading techniques. Machine learning specializes on learning efficient predictive models from data, and thus becomes a nature candidate for algorithmic trading. As the state of the art portfolio trading algorithms cannot sustain reasonable transaction costs in existing back tests, this project aims to design new strategies that improve existing strategies’ performance. Firstly, based on existing online machine learning framework for trading, we design a new strategy that utilizes both properties of momentum and mean reversion in financial markets and is expected to show better performance than the state of the art. Secondly, utilizing the regularization technique in machine learning, we design a new strategy that actively evaluates unknown transaction costs and is expected to improve the strategies’ performance in case of non-zero transaction costs. Thirdly, although existing strategies have shown amazing excess return in back tests, they did not explain it. As a result, we would like to explain the strategies’ excess return using common asset pricing models. In addition, we will publicize our simulation system and strategies, including their source codes. This project will help us understand the properties of financial markets, explore the mechanism of algorithmic trading strategies, improve market efficiency and study the application of computational methods in finance.

算法交易是利用计算机算法进行证券交易的一种创新交易手段。机器学习专门研究从数据中学习出有效的预测模型，从而被用来解决算法交易中的问题。本项目针对当前组合算法交易策略在仿真测试中性能不足以支撑合理交易成本的问题，设计新策略来提升回溯测试的性能。主要研究内容包括：（1）在现有基于机器学习的交易框架上，设计综合考虑金融市场动量和均值回归特性的策略，以提升当前策略在零交易成本时的性能；（2）并利用机器学习正则化的理念，设计一套主动考虑交易成本的组合算法交易策略，以提升现有策略在非零交易成本时的性能；（3）针对现有策略没有解释收益的薄弱环节，拟运用常见的定价模型来解释策略的收益。另外，本项目拟公开研究中实现的仿真交易系统及策略，以供同行参考。本项目对于深入理解金融市场的特性，探索组合交易策略的机理，促进市场的有效性和研究计算方法论在金融中的应用具有一定的理论意义和实践指导价值。

本项目的研究背景是当前算法交易中交易成本至关重要，而现有组合算法交易策略在仿真测试中性能不足以支撑合理交易成本的问题，设计新策略来提升回溯测试的性能，同时研究交易机制的影响。. 本项目的主要研究内容包括：（1）基于在线机器学习的方法论，设计考虑均值回复特性或动量特性的组合交易策略，以提升算法在回溯测试中的性能；（2）基于在线机器学习的模型，设计主动考虑交易成本的在线投资组合策略；（3）基于技术因子和基本面因子，考虑在其上设计策略并进行回溯测试；（4）设计和开发一套在线投资组合模型框架，并将其开源。. 本项目的重要结果包括：一套基于Matlab的在线投资组合模型框架，并且已经在Github开源；两套考虑均值回复的投资组合算法，OLMAR和RMR算法；一套考虑动量的算法，SGP；一套考虑交易成本的投资组合算法，TCO；一套利用机器学习挖掘技术面因子的算法，ML-TEA；同时，期货市场的检验证明，趋势策略在商品期货市场能够获得超额收益，尤其是在分组组合上；通过在A股市场上对公司质量因子的检验表明，购买公司质量高的股票能够获得显著的超额收益。. 本项目的科学意义在于有助于理解机器学习在投资组合选择领域发挥作用的机制，有助于研究机器学习在金融投资领域的作用，有助于促进金融和科技的交叉研究，有助于研究金融市场的有效性。同时，本课题的研究成果可以直接由资产管理公司或证券公司所采用，本项目组开源的工具箱有助于金融软件行业对相关算法的开发。

内容获取失败，请点击重试