
量化投资股票配对交易策略改进
本节依然以北京银行和华夏银行在2011年的股价走势作为比较配对交易策略的基础。
1)标准配对交易策略
标准交易模型在设置一个建仓阈值时建仓,然后等价差回到均值0处时再平仓,针对价差可能发生突变的情形,加入了一个止损策略:判断价差的绝对值是否大于3。因为从统计上讲,如果配对的两只股票保持协整关系,那么它们的价差绝对值大于3的概率小于0.3%。一旦出现价差绝对值大于3的情况,即可认为股票对原有的协整关系被破坏,应立即止损。
2)改进策略1:延后开仓策略
针对标准配对交易策略的不足,可以采用如下改进方式:等价差突破闹值后,反向回归穿越阐值时再建仓,称这种策略为延后开仓策略。延后开仓的好处在于一方面可以更加准确地判断出价差向均值回归的趋势;另一方面当价差出现单边走强的情形时,延后开仓策略不会发出建仓信号,从而可以避免一部分损失,提升配对交易的收益。
3)改进策略2:延后开仓+提前平仓策略
标准配对交易策略和改进策略1都是等价差回归到均值附近时再平仓,而实际交易中经常会发现价差虽然在向均值的方向回归,但没有回归到均值,而是在离均值一定距离处又掉头远离均值。为捕捉前期价差回归阶段的收益,可以采取提前平仓的策略,和延后开仓策略一起构成改进策略2,如图6-7所示。这里设置了两个阈值δ1和δ2,分别为建仓阈值和平仓阈值,配对交易在δ2而非均值处平仓。
图6-7 配对交易:延后开仓+提前平仓策略
4)3个策略模拟结果
我们使用以上基本配对交易及其两个改进策略,对北京银行和华夏银行2011年年度股价波动情况进行了回溯交易模拟。从图6-7中可以看出,2011年的大部分时间,北京银行和华夏银行的股价比围绕着以0.9为轴,正负5个百分点的波动区间运动。设定区间建仓阈值δ1为0.5,平仓阈值δ2为0.1,分别采用以上3种策略的收益率情况如表6-8所示。
表6-8 标准策略、延后开仓、提前平仓策略实证结果
通过该交易模型的模拟结果可以发现,延后开仓策略在股价比波动不是特别剧烈的情况下,尤其是只在一个阔值范围内反复波动的情况下,并不能有效增加收益。但是模拟结果只是后验结论,在真实股票波动套利过程中,阈值是预先设定的,股价走势图是后验结果,该策略在波动区间大于两个阈值的情况下能够有效增加套利收益。
提前平仓策略对于把握短期波动是有效的,但是实证和理论均表明,提前平仓策略对收益率增加的影响是负面的,尤其是当δ1/δ2>5时,人为增加了套利者判断的因素,对于模型执行的稳定性影响效果负面。
另一个影响收益率的重要因素是阈值δ1的选取。阈值δ1越小,触发交易的频率越高,在不考虑头寸因素的前提下,理论收益率越高。但是考虑到头寸因素,并非阈值δ1越小,总的资金收益率越高,因为要把总头寸分成若千等分头寸,在提高交易频率的同时,降低了总头寸的绝对收益。因此,总收益率与阈值δ1之间存在一个最优化问题。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30