金融交易中的信息与噪声

2023-05-26

1986年，Fischer Black在美国金融协会年会的主题演讲中发表了题为Noise的报告。演讲中指出: “噪声的存在使得市场不够有效，然而它同样会阻止人们利用这种无效性。” 在行为金融学中，噪声理论常指那些基于虚假的或者失真的信号而进行的交易。在基本的金融模型中，信息与噪声常是相对应的。通常来说，人们会在信息的基础上进行交易，并希望借此获利。另一方面，有时人们会误把噪声当成信息来交易，若是这样，则很可能面临失望。然而，噪声交易对市场流动性的保持至关重要，嘈杂的交易越多，市场的流动性就越强。 参与市场的交易者抱有不同的信念，而信念上的差异最终则是源于信息或信息组织方式上的差异。假如我们把金融市场中的交易者分为两类，那么前者可以是信息交易者，后者则是噪声交易者。在多数时候，我们可能认为噪声交易者群体会在交易中赔钱，而信息交易者群体则会赚钱。股票的价格既反映了信息交易者的信息，也反映了噪声交易者交易的噪声。随着噪声交易数量的增加，人们通过信息交易会变得更有利可图。这时候会有更多信息交易者的加入或更大的头寸。但事实上，信息交易者不会持有足够大的头寸来消除噪声。一方面，他们的信息给了他们优势，但不能保证盈利。持有更大的头寸意味着承担更大的风险。另一方面，信息交易者永远无法确定他们是在进行信息交易，而不是在噪声交易。若其掌握的信息已经反映在价格上，那么利用这些信息交易和利用噪声进行交易并无区别。即便是控制了市场回报和其他因素之后，所估计的投资组合回报也只是一个非常嘈杂的估计。因此，很难表明信息交易者在交易中有足够优势。 在随机偏离的模型中，噪声交易者对股价产生的噪声将是累积的，就像一个醉汉往往会离他的起点越来越远。当股价偏离其价值越远，信息交易者就会变得更激进，会有更多人进入并持有更大的头寸。然而，所有对价值的估计都是嘈杂的，我们永远无法准确知道价格离价值有多远。从一定程度上来讲，价格和价值看起来都像是带有漂移项的随机游走过程。价值过程的平均值会随环境的变化而变化，价格过程也是如此。但价格的短期波动通常大于价值的短期波动。二者的波动都将随时间而变化。从长期而言，价格应将逐渐趋近于价值。 那么，作为讲求实际的交易者，我们要如何解决关于信息与噪声的问题？ 首先，是信息与噪声的时间尺度。通常认为，金融市场的数据信噪比很低，也即市场中的噪声远比信息多。并且，随着观测频率的增加，信噪比会进一步降低（见 塔勒布《反脆弱》）。以下我们使用的是信号的概念，即转化为实际交易行动的信息。具体而言，信号、交易、周期，三者是相互匹配的。短周期的信号产生短周期的交易机会，其交易频率会明显高于长周期，但想要在短周期的数据中甄别有效的信号并执行也会更加困难。如果希望将识别信号的难度降低，则可以考虑适当采用较长的周期，从而忽略短期价格较高的无序波动。 其次，较常用的提升信号有效性的方法是使用过滤器或过滤指标。在物理学中，滤波是信号处理中的一项基本而重要的技术。利用滤波技术可以从各种信号中提取出所要的信号，滤除不需要的干扰信号。在金融领域中，较常用的是Kalman滤波。即在一些因素的影响下，股票价格有时也会呈现出一些整体的趋势，我们将股价的价格序列分解为含趋势性的基本成分和含随机性的噪声这两部分（P(t)=p(t)+b(t)）。该方法涉及较复杂的数学运算过程，在此并不展开。另外较常用的过滤方法还包括：设定单一指标的阈值，仅在指标高于或低于某一阈值时才触发信号；选用相关性低的指标多重验证；波动率尾部风险控制，即给以一定的正常波动空间，仅在市场大幅波动打破预期时采取行动或停止行动等。 再者，是信息含量的差异。由于信息在时间和空间上的分布是不均衡的，即在某些特殊的时期或标的上，价格的信息含量更高。例如：一种理论认为，当天的收盘价比开盘价更有价值，因为在开盘价的形成过程中虽然包含了前一天盘后的诸多信息，但也有较多的情绪性释放和过激反应，并且专业机构可能更愿意在当天剩下的时间中参与交易，而非在开盘的短暂时间内。类似的，有较高成交量佐证的价格上涨可能比较少成交量下的价格上涨所形成的信号可信度更高。市场运行过程中的一些特殊历史点位也可能会受到市场上更多人的关注，一旦突破或无法突破，则可能会带动交易者的集体行动。 著名心理学家、哲学家威廉·詹姆斯曾言：“智慧就是懂得该忽略什么的艺术。”放在信息与噪声充斥的金融市场，个人如何忽略噪声的影响，获取有效的信息，并实现交易决策，对实现成功的交易而言或许仍然是一个值得深思的问题。 参考文献 1.Fischer Black在美国金融协会年会的主题演讲Noise. 链接： http://links.jstor.org/sici?sici=0022-1082%28198607%2941%3A3%3C529%3AN%3E2.0.CO%3B2-9 2.《反脆弱》，[美]纳西姆•尼古拉斯•塔勒布。

LSTM与量化交易

2023-04-20

1.LSTM简介 LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM脱根于RNN，但相较于RNN（Recurrent Neural Network），LSTM能够解决解决长序列训练过程中的梯度消失和梯度爆炸问题，在处理时间序列数据上有着巨大的优势。 自2015年由Google提出后，LSTM在科技领域已经有了多个方面的应用。基于LSTM的系统广泛应用于翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别和股票预测等方面。 2.LSTM与RNN区别 2.1RNN的网络结构 RNN的提出是为了解决具有时序关联性的问题，例如股票趋势预测，需要上一时刻的股票价格输入作为下一时刻的输出。为解决这个问题，RNN提出了一个独特的网络结构。 上图为RNN的一个简单的网络结构示例。其中x为输入层，s为隐藏层，o为输入层，U，V为各层之间的权重参数。右侧图像为左侧图像展开为平面时的图像。 从上图我们可以清晰的看出，RNN的输出不仅和上层的输出相关，还与过往所有层的输入有关。通过建立当前输出与过往所有输入的关系，RNN获取了处理时序问题的能力。 2.2LSTM的网络结构 从上述的介绍我们知道，RNN每层的输出是依赖于在其之前的每一轮的输入。但是随着时间的推移，很久之前的输入数据所占的权重是越来越小。在处理常规时序问题时，这样处理是科学的。因为时间越久远的数据一般而言对当前的影响越小。但是很多问题是存在长期依赖的问题。长期依赖是指当前系统的状态，可能受很长时间之前系统状态的影响。 为解决这个问题，LSTM提出来一个三门结构，即输入门，输出门和遗忘门。当一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。图示为一个典型的LSTM结构。其中红色边框中的为遗忘门，橙色边框中的为输入门，绿色边框中的为输出门。当信息输入遗忘门时，遗忘门会对上级的输入数据和当前输入进行判断，输出一个0到1之间的数，0表示完全舍弃，1表示完全保留。数据输入至输入门时有两个过程，一个是有输入门对数据进行处理决定什么值需要更新，另一个是由tanh函数对输入数据进行激活。将信息输出值输出门，由输出门决定输出那些信息，最后有tanh函数进行激活。 通过LSTM独特的三门结构，LSTM成功的解决RNN在长期依赖问题的问题，同时也大大的加快的运算效率。 3.量化交易 量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种"大概率"事件以制定策略。量化交易是一门由金融、数学、计算机等学科交叉融合而来的学科。其中金融学用于量化交易模型建立的理论指导，数学用于模型的建立和推导，计算机用于模型的实现。 一个完整的量化交易模型大致可以分为三个部分，数据输入，策略的研究和结果输出。 其中输入的数据可以包括当前的一个市场的行情、您的投资经验、公司的财务数据等等，策略部分包括选择哪些股票，在何时进行选股，何时止盈止损等，输出的结果可以包含买入卖出的信号，产生的交易费用和产生的利润等。 4.LSTM运用于量化交易 LSTM运用于量化交易主要用于股票和期权的价格。以下简要的介绍一下LSTM用于预测股票价格的流程。 整个流程大致可以分为4步，数据清理，模型搭建，分析调优和对模型的一个总结分析。 数据清理过程主要是对数据进行一个预处理，包括选择哪些股票，选择的时段，选择哪些交易数据，对数据的归一化等方式。模型的搭建主要是对神经网络的构建。一个基于LSTM的神经网络模型大致可以分为数据输入、LSTM层，FC层、输出层和数据输出层。 LSTM层即是上文所描述的LSTM结构。FC层是对LSTM输出的数据进行整理，并输出一个结果。输出层为最终结果的判断。通过对神经网络的不断改正和参数优化，以及对模型性能的分析总结，即完成了一次基于LSTM的股票价格预测系统的构建。 同时,LSTM还可以用于用户情绪的分析。通过抓取各平台用户的评论，然后采用LSTM进行情感分类，最终得到一个市场用户情绪的总体画像。 5.参考文献 【1】Hochreiter, Sepp. Technische Universität München, Fakultät für Informatik, Munich, Germany;Schmidhuber, Jürgen.Long short-term memory.[J].Neural computation,1997,Vol.9(8): 1735-1780。 【2】杨丽，吴雨茜，王俊丽，刘义理.循环神经网络研究综述[J].计算机应用,2018,第38卷(202): 1-6，26

支持向量机

2023-03-22

1.SVM简介 支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的线性分类器。二分类问题是指数据集中的数据点有两类，需要找到一个超平面将不同类的点划分到超平面的两侧。超平面是划分数据的决策边界。离这个超平面最近的点就是“支持向量”，这点到超平面的距离叫做间隔。SVM的目标就是最大化支持向量与超平面的间隔，可形式化为一个求解凸二次规划的问题。原始问题可以通过拉格朗日对偶性（Lagrange Duality）变换到对偶变量 (dual variable) 的优化问题，即通过求解与原问题等价的对偶问题（dual problem）得到原始问题的最优解，这就是线性可分条件下支持向量机的对偶算法，这样做的优点在于：第一，对偶问题往往更容易求解；第二，可以自然地引入核函数，进而推广到非线性分类问题。 2.SVM算法出发点 以二维空间为例，此时的超平面是一条直线。图中的四条线都能将两类点分开，但是红色实线和蓝色虚线与某类样本距离太近，如果测试数据有噪声的话很有可能出现错误，被划分到相反地一类中。 SVM学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。如下图所示， 黑色实线为超平面，对于线性可分的数据集来说，这样的超平面有无穷多个（即感知机），但是几何间隔最大的分离超平面却是唯一的。 3.基于SVM模型的多头交易策略 3.1特征变量的选择 首先考虑基础行情指标：开盘价、最高价、最低价、收盘价、结算价、成交额、成交量和持仓量。对这八个变量使用主成分分析法进行特征降维，简化数据以提升分析的便利性。以方差贡献度超过99%作为主成分因子数量的选择标准，最终确定了三个指标：开盘价、最高价以及最低价。 3.2SVM多头交易策略流程 首先将最先30日的沪深300股指期货主力合约历史数据输入价格预测模型，将会所输出的结果来开展交易，如果其输出的结果是1，那么就意味着预测未来价格将上涨，若模型输出价格为-1，则表明预测未来价格将会下跌。得到交易信号后对目前的持仓状态进行判断，决定是否开仓或平仓。 详细的流程图如下所示： (1)在某一Ｔ日沪深300股指期货收盘之后，以目标日之前30个交易日的历史数据作为输入向量，输入SVM价格预测模型以对T+1日的价格涨跌进行分析预测，得到模型的输出结果y； (2)如果模型的输出结果y的值是1，则表明未来价格上涨。如果y值为-1，表明未来价格下跌，仅在y值输出1时进行开仓，作为多头信号。 (3)在得到多头交易信号后，开仓并记录当前的开仓价格和持仓量后续持续关注合约价格，等待价格达到合适位置。设置5%的止盈和2%止损率。 (4)当价格达到止盈或止损率时，以当日价格平仓，并重新关注预测结果y，等待y输出值为1时，进行新一轮开仓。 交易策略的详细流程如图所示： 3.3回测结果 采用沪深300股指期货的主力合约IF2112自2010年4月至2021年11月的历史数据进行回测。利用SVM价格预测模型输出相应的交易信号，按照上文的交易策略进行交易，最后分析策略的回测表现。 上图是基于基础行情指标的支持向量机多头交易回测图结果。可以发现，在此过程中，采用该策略完成了的交易共计285次，其中胜手115次，败手次数170次，综合胜率40.35%。整阶段盈利总额约为6080万元。其总收益率达到了202.67％，经过分析可知具有11.71%的年化收益率，此外该策略的总体回撤率为27.5% 参考文献： [1]丁雨青. 基于GA-SVM模型的股指期货交易策略研究[D].东华大学,2022.DOI:10.27012/d.cnki.gdhuu.2022.001563.

人工智能与量化交易

2023-02-21

1.人工智能简介 人工智能（AI）是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。AI包含机器学习、深度学习、强化学习等研究方向。人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。 随着计算机科学技术的快速发展，人工智能在各个领域的应用也越来越广泛，其与各个学科技术相结合，已成为 各领域人士关注的焦点。将人工智能应用于量化交易，通过搭建不同的神经网络模型，对期货历史数据进行挖掘，找到期货历史价格与未来价格的非线性关系，实现对未来价格的预测，已成为历史发展的必然趋势。 2.量化CTA 2.1CTA量化交易策略分类 图1 CTA量化交易策略分类 CTA 量化交易策略可以大致分为这些方面： 1)趋势策略：分为长线趋势策略、中线波段策略以及短期趋势策略。 2)震荡策略：非趋势策略并不一定是反趋势策略，比方网格策略或者支撑压力位策略。 3)套利策略：套利策略包括无风险套利策略，期现套利策略，这里期现套利策略，主要指的是金融期货，像是股指，因为我们国内股票缺乏这种做空机制，股指会持续存在一定的贴水，所以会存在这种期现套利策略。 4)高频策略：高频策略分为做市商策略，做市场商策略又分为被动做市策略和主动做市策略，高频策略还包含了超短趋势策略，也就是以tick 数据为基础的这样一种短期趋势的高频交易和高频套利。 5)日内策略：日内策略进一步分成的日内的趋势策略、日内的震荡策略以及日内的高频策略。 6)另类策略：另外再有就是一些比较新的被称作为另类策略的一些新潮的交易策略，比方说像横截面策略，还有事件驱动策略，还有人工智能算法策略。人工智能算法策略的这个交易依据，就是上图中交易依据里面的计算科学，这方面的应用就是一个最新的应用。 2.2 量化因子 图2 量化因子 a.宏观因子：例如物价指数CPI、美国的核心PCE还有美元指数等等。 b.基本面因子：产量，表需，库存、开工率，还有新增产能等等，这些是工业品的整个产业链的基本面因子。农产品产业链的因子包括种植面积、种植进度、优良率、收获面积，还有收割进度，进口还有出口。这里面还有天气因素，这里也有一些数据是可以进行量化的，例如温度数据、降水量数据等。 c.统计因子：统计因子是一些统计特征方面的东西，比方说像偏度因子等。 d.技术因子：技术因子包括动量因子、波动率因子、均价突破因子，还有流动性因子等，进行技术分析方面所用的一些技术指标。 e.行为因子：行为因子与技术因子往往是一个互为表现的关系，技术因子体现的是一个市场行为的特征。行为因子包含了人们的恐惧心理，像恐慌指数，那么往往会通过动量或者波动率等这些技术因子体现出来。所以说技术因子是行为因子的一个表现形式。 f.事件因子：事件因子不是特别容易进行量化，如非农就业、美国农业部报告这种定期的事件。这种报告的公布，可以认为它是一种事件，对市场产生一种影响的事件，可以作为一种因子。 g.衍生品因子：那么对于一些品种来讲，它具有一些衍生物，例如原油期权，铜或者棉花都有期权。那么期权对于标的本身来讲可能会有一定的影响或者说一种指示作用，包括以后可能会推出的商品指数。 h.商品因子：这个跟商品期货本身有关系的，如Curve 因子，也就是期限结构曲线因子，债券的收益率曲线。期限结构因子，back 结构或contango结构，价值因子以及基差，期货升贴水情况，持仓因子等。 3.深度学习与量化交易 传统的投资策略倾向于定性分析，而让电脑代替人工进行 分析，就可以在整个市场中寻找投资标的物，投资的理念需要转 化成具体指标和参数，并按照程序去运行，能实时跟踪市场的变化情况，利用计算机提供的强大数据处理能力处理投资指标，在控制风险的情况下使收益达到最大化。随着人工智能技术的发 展，计算机可以大规模处理堆积如山的历史数据，与人工相比，不仅速度更快，准确率也更高，这使得投资以远超传统方式的规模发展起来。 人工智能是现在火热的研究的方向之一，任何一个东西如果想要变得更加智能，都会涉及人工智能算法。基于人工智能的量化CTA不仅能模拟人类思考问题的方式，还能够避免人类情绪化决策的问题，而且它能够自动地去发现市场里面的特殊现象。其中深度学习是人工智能领域中十分重要的研究方向，其具有非常强大的数据处理能力，金融交易领域存在着大量的历史数据,这些数据资源为量化交易提供了很好的数据基础。那么对于这样一种利用人工智能的方式进行的量化交易，大概分为这么四个部分： 第一步叫做预处理，也就是数据准备的工作。第二步将数据交给机器来进行学习。第三步就是学习完后，利用验证集数据进行验证，类似于回测。第四步是进行实盘交易，对这个新的产生的数据或未知的数据进行预测。 图3 量化交易步骤 4.ChatGPT与量化交易 最近基于人工智能的ChatGPT爆火，在量化投资中， ChatGPT可以完成一些简单的量化策略，例如构建平均回归模型，输出均线策略。理论上甚至可以利用Scikit-learn数据库（是针对Python编程语言的免费软件机器学习库）建立制作未来利率的预测模型，并利用MSE （均方误差）对其进行评价。智能投顾是以人工智能为基础的一项专业的投资咨询服务，ChatGPT这类AI机器人应用以后，能排除人的主观因素，提供更加客观的建议，还可以随着市场和环境的变化而不断演变创新。 参考文献： [1] 刘力军,梁国鹏.基于人工智能的量化交易系统设计与实现[J].现代信息科技,2022,6(04):45-47.DOI:10.19850/j.cnki.2096-4706.2022.04.012. [2] 赵雪. 深度学习在量化交易中的应用[D].北方工业大学,2019. [3] 周爽,刘赟.金融行业中人工智能的应用前景[J].商场现代化,2020,No.920(11):133-135.DOI:10.14013/j.cnki.scxdh.2020.11.051. [4] 于龙飞. 基于深度学习的股市量化交易系统设计与实现[D].山东大学,2020.DOI:10.27272/d.cnki.gshdu.2020.001064. [5] 刘佳. CTA量化投资的组合资产配置研究[D].北京交通大学,2020.DOI:10.26944/d.cnki.gbfju.2020.002020.

CTA技术指标交易策略

2023-01-18

1.概览 2.CTA技术指标与策略优化 2.1.趋势指标 2.2.突破策略 2.3.模型优化 1.概览 大宗商品是基础性原材料，生产周期长，供给和需求数量大，受宏观经济活动的影响很大。随着宏观经济的周期性运动，大宗商品的价格也将进行周期性的运动。具体到某一种商品，其供给和需求也具有自身的特殊周期，比如农作物从种植到消费，就具有明显的季节性特点。下图为豆粕期货价格指数月K线图所示，豆粕价格运动具有明显的周期特征：2000年→2004年→2008年→2012年→2016年→2020年，每4年一个周期，每个周期都包括下跌、筑底、反转、上涨、筑顶等阶段。 周期可以由趋势构成，技术分析能够揭示和反映价格运动的规律，也能够发现趋势和周期。 CTA按照交易策略的不同可分为系统化交易与非系统化交易两类。系统化交易主要通过预先设定的交易模型决定交易策略，CTA的任务主要是建立数量模型、调整模型参数，并根据模型运算的结果进行投资决策；非系统化交易策略则建立在基本分析或者关键经济数据分析的基础上。 在系统化交易中，CTA的核心技术指标可分为趋势跟踪、趋势反转（或回归）和模式识别三类。从应用的基金数量上看，趋势跟踪类占绝对多数；从模型预测的成功率来看，模式识别类最高，其次是趋势跟踪和趋势反转。 趋势跟踪（动量）交易通过大量的指标排除市场噪音，判断当前市场趋势，然后顺势建立头寸。根据所关注趋势时间的长短和是否持仓过夜，还可细分为日内交易和日间交易。其核心思想就是捕捉趋势，一定幅度的上涨就是买入的理由，一定幅度的下跌就是卖出的理由。跟踪指标起源于简单移动平均线（SMA），后期逐步发展演化为指数移动平均线（EMA）、平滑异同移动平均线（MACD）、抛物线指标（SAR）等。这类指标的信号触发常是两线相交，反映短期趋势的快线上穿／下穿反映长期趋势的慢线，上涨／下跌趋势成立，发出建仓／平仓信号。趋势指标的收益特征是大盈小亏，或者是其止损不止盈的机制。导致指标亏损的原因，主要分为两类：虚假信号和趋势长度不够。当快线和慢线纠缠时，会频繁发出虚假信号，导致趋势指标的整体成功率通常低于50％，因此跟踪指标改进的一个重要方向是虚假信号过滤。 反转指标适用于震荡行情，可运用头肩形态、突破形态、交易量等指标来寻找趋势发生反转的信号，然后建立头寸，简单来说就是均值回复：一定幅度的上涨就是卖出的理由，一定幅度的下跌就是买入的理由。其代表指标包括相对强弱指标（RSI）、随机指标（KDJ）、威廉指标（WMS）等。这类指标通常生成3根互相平行的辅助线：天线位于中轴线上方、地线位于中轴线下方，两者离中轴线有相同的距离。天线可视为指标压力或是常态行情中的上涨极限。地线可视为指标支撑或常态行情中的下跌极限。行情波动导致指标接近天线与地线超过阀值时，反转信号触发。如果机械按照反转指标操作的话，统计的成功率高于50％。但若不设止损，其主要问题是有承受大幅度亏损的风险。其优化方向是在保持高成功率的同时，过滤掉偶尔出现的大幅亏损。 模式识别类技术指标，是通过头肩顶、二次探底、上升三角形突破等形态的识别而发出交易信息。模式识别类预测市场走势的结果是趋势跟踪、趋势反转或者箱体震荡，但是它与上述两类指标的主要不同是：跟踪和反转通过计算数值描述当前市场的状态帮助判断；而模式识别是通过量化工具描述当前市场模式与理想模式的相近度，从而判断市场按照理想模式运行的概率。 2.CTA技术指标与策略优化 这一部分将针对期货市场，简要介绍常使用的趋势指标，突破模型，以及相对应的模型优化方法。 2.1.趋势指标 以东证期货2022年期货策略报告为基础，下表罗列了有效的七个指标计算方式及运用场景。 2.2.突破策略 ①均线突破模型：单均线策略通常以收盘价与均线的位置关系进行上多下空操作，均线组通常是以短均线上穿或下穿长均线而产生交易信号。常见的均线组：单均线短期选择（3或5或10），短期均线组（5、10、20），克罗均线组（4、9、18），神奇135均线组（13、34、55）等。 ②指标突破模型：利用常见的技术指标比如MACD、BOLL等，作为判断开平仓的交易信号，或是使用技术指标的组合来判断入市信号。但这些技术指标都有其局限性，比如指标滞后、过度灵敏、与走势背离等。这些问题就需要进行后期的参数优化，例如在更小级别的周期上使用那些会滞后的指标，在更大级别周期上使用过度灵敏的指标等。 ③通道突破模型：以唐奇安通道为例，20日价格高低点和10日价格高低点构成了唐奇安通道，当收盘价突破20日价格高低点时买入；当价格跌破10日价格高低点时清仓。海龟交易法实际是通道突破的趋势跟踪。 ④波动率突破模型：波动率在两个维度得以体现，一是时间维度，也就是过去交易日的波幅；另一个是空间维度，每一个交易日的波动幅度，最高价和最低价关系等。波动性可以定义为：最高价与最低价、K线的最高价与昨收盘、K线的最低价与昨收盘，这三组价格差额的最大者为该品种的波动性值，可以利用最高价和最低价的协整关系等设计入市信号。 ⑤时间价格突破模型：根据在某个时间范围内波动幅度的大小，将不同品种在不同时间段的突破标准进行统计，得到适应于该品种的最优参数，并利用时间或者价格过滤器的方法来实现对趋势行情的确认，以减少价格盘整阶段的假突破现象。 ⑥K线形态突破模型：形态突破主要是基于蜡烛图技术或者是技术图形技术分析技术产生的交易信号。一些经典的形态包括红三兵、黑三兵、墓碑线，吊垂线，十字星等，同时形态突破实现需要配合图形识别等技术。 2.3.模型优化 ①信号过滤 虚假信号产生的原因通常是投资者的懊悔行为或价格波动的通常信号噪音（或也可理解为未受到交易者当前集中认可或恐慌的价格变动）。随着信号的触发（例如均线系统中快线上穿慢线），投资者开始质疑新的趋势，如果这种质疑情绪通过盘面信息在投资者中蔓延，会导致其价格在突破后迅速调整，重回到信号触发前的水平。因此，信号过滤的目标就是识别有效突破。 通常从时间和空间上确认趋势成立，识别有效突破。如果交易者的懊悔行为发生，均线通常在短暂的时间内回落至触发前的状态。因此，可以通过人为统计历史上信号虚假触发持续的时间，作为过滤有效突破的时间阀值。当信号触发且状态维持时间大于阀值时，才真正触发交易信号。但是当快线和慢线相互纠缠的时候，空间是更好的过滤工具。常用的空间过滤方式是在慢线基础上增加上轨和下轨，当快线有效穿越上下轨时新趋势才被认为成立。而轨道宽度通常定义为快线的标准差的倍数。 除了价格曲线本身，更多信息源也可以用来确认有效突破。当价格运动趋势导致了投资者的预期发生变化，新的价格才被市场普遍接受。一个可用于定量分析突破之后预期变化的指标是与突破伴随的成交量。如果放量突破，这往往意味着新的预期将控制后市的走势。相反，如果突破发生期间，交易量非常温和，这往往意味着只有少数的投资者预期发生了变化，价格非常可能回到原来的预期水平。通过引入交易量相关的综合指标，可以提高信号触发的成功率。 ②数据频率和周期 基本面投资策略的数据频率通常低于等于1个交易日，而交易策略需要深入到更微观的市场信息中寻找机会。因此，CTA交易策略的数据统计频率最高可达2笔/秒或更高；低则有按照1分钟、5分钟、15分钟、30分钟、60分钟等统计。选择合适的数据频率，直接决定策略的盈利预期、市场容量和执行方式。 数据频率首先体现策略设计者在目标趋势上的权衡。若确认趋势的时长太短，会捕捉到大量短时长的趋势，交易次数增多。短时长的趋势大多对应低的获利空间，大多不能覆盖交易成本。而且短时长的随机波动过大，会影响对趋势的判断。若确认趋势的时长太长，又会错过大量的可能收益。 数据频率直接决定策略的市场容量。时间单位上，进场信号被触发，则要在规定的时间单位内完成建仓。如果用于计算信号的数据按秒更新，则策略的建仓时间通常不超过1秒钟，对应的市场容量可能小于5张合约；当数据按照分钟更新的时候，则策略的建仓时间提高到1分钟，对应的市场容量最高能到100张合约（对应不同的合约，其流动性存在差异，因此市场容量也会有差异）。对于建仓时间在30秒以下，或者持仓时间在10分钟以下的交易策略，通常需要借助全自动交易平台实现。全自动交易指交易信号触发、交易买卖执行都由计算机完成的交易方式。全自动交易适用于对交易执行要求严格、平均持仓时间较短（如1分钟内）的交易策略。半自动交易指交易信号由计算机自动触发，但是买卖执行由人工实现的交易方式。半自动交易适用的交易策略平均持仓时间在10分钟以上，下单可由人工实现。 参考文献： [1] 郭少杰.技术分析在大宗商品交易系统构建中的作用研究[J].全国流通经济,2021(18):148-150.DOI:10.16834/j.cnki.issn1009-5292.2021.18.048. [2]《股指期货市场CTA交易策略设计及EMA开发》.中信证券.金融工程及衍生品部 [3]《2022年量化CTA策略年度报告》.东证期货 [4]《利用双均线指标进行趋势投资》.渤海证券.股指期货研究所