DE-反轉alpha策略的方法

Alpha策略的思想就是通過股指期貨對沖投資組合的系統(tǒng)性風險Beta，鎖定超額收益Alpha。通過運用本文所述的反轉策略，做多表現(xiàn)優(yōu)于滬深300指數(shù)的股票，同時做空與股票市值相當?shù)墓芍钙谪浐霞s，規(guī)避了市場的系統(tǒng)風險，同時可以獲得比較顯著的絕對收益。

以往的研究有將股票收益率離散度以及過去某段時間內股票的累計收益率等作為反轉的衡量標準。區(qū)別于先前的研究，本文引入傳統(tǒng)技術分析中的RSI指標，用以衡量反轉程度。即，首先計算過去一段時間內，股票的收益率與滬深300指數(shù)收益率差值的累計值，之后計算上述累計值的RSI值并將其標準化。標準化的方法是計算當前RSI與過去一段時間內RSI均值的差值，之后除以RSI的標準差。在計算出所有樣本的反轉值之后，將其由低到高進行排列，選取前n個樣本作為入選的股票。

由于涉及到反轉計算中的時間窗口長度、RSI參數(shù)、組合持有期等多個參數(shù)，為了使得持有期內，股票相對于大盤的超額收益最大化，本文運用了人工智能領域的差分進化算法（DE）對參數(shù)進行優(yōu)化。

差分進化算法是基于群體智能理論的優(yōu)化算法，通過群體內個體間的合作與競爭產生的群體智能指導優(yōu)化搜索。但相比于遺傳算法，差分進化算法保留了基于種群的全局搜索策略，采用實數(shù)編碼基于差分的簡單變異操作和一對一的競爭生存策略，降低了遺傳操作的復雜性。同時，差分進化算法特有的記憶能力使其可以動態(tài)跟蹤當前的搜索情況，以調整其搜索策略，具有較強的全局收斂能力和魯棒性，且不需要借助問題的特征信息，適于求解一些利用常規(guī)的數(shù)學規(guī)劃方法所無法求解的復雜環(huán)境中的優(yōu)化問題。

數(shù)據(jù)和結果

本文所選用的樣本為2007年10月26日至2010年9月10日期間的滬深股市的所有A股股票的周成交價。首先設定股票的持有期，以持有期內股票投資組合相對股指的平均累積超額收益率為目標函數(shù)，依據(jù)前文所述的差分進化算法，對時間窗口長度、RSI參數(shù)、組合持有期等多個參數(shù)進行優(yōu)化。

圖1 反轉alpha策略的累計超額收益率 （單位：%）

從圖1可以看出，基于上述反轉策略的超額收益在樣本期內取得了較為穩(wěn)健的增長，截至7月30日，累計收益率達到了109.63%，而同期滬深300指數(shù)則下跌39.75%。并且在樣本期間，股票市場經歷了牛市、熊市和振蕩市不同階段，而該策略下的收益率曲線回撤較小，表現(xiàn)出良好的適應性。接下來，本文將以實例進一步驗證該策略的有效性。

實證分析

本部分將以具體實例介紹如何應用反轉策略實施alpha套利。在7月30日，基于上述反轉策略選，選出一定數(shù)量的股票，并通過一定基本面分析之后，確定alpha策略現(xiàn)貨的構造組合?？紤]到資金規(guī)模以及現(xiàn)貨持有期，為了避免期貨合約移倉，在空頭部分做空1筆期指合約IF1012，同時，根據(jù)空頭部分市值的大小，賦予現(xiàn)貨構造中的每只股票以相同的比重，進而確定每只股票的持有筆數(shù)。由圖2可以看出，基于上述反轉策略alpha套利自構建以來，其收益取得了較為穩(wěn)健的增長。

圖2 DE-反轉alpha策略收益走勢 （單位：元）

小結

作為一次嘗試，本文將計算機科學領域的知識應用到股指期貨的產品設計中，并嘗試以量化分析的手段去解決問題，從實證的結果來看，這是一次有益的嘗試。

?