首页 / 量化交易 / 量化交易在债券投资中的应用

量化交易在债券投资中的应用

目前债券投资还以主观判断为主,缺少量化分析,本文从债券技术指标、深度学习两个维度分析债券量化交易的可行性,以量化模型替代人为的主观判断,极大地减少因情绪波动的影响,避免在市场极度狂热或悲观的情况下作出非理性的投资决策,通过回测和实际应用取得较好的效果。

一、基于顺势指标的债券量化交易

(一)顺势指标简介

顺势指标又称商品通道指标,其英文全称为“Commodity ChannelIndex”(CCI),是由美国股市分析家唐纳德·蓝伯特(DonaldLambert)所创造的一种重点研判价格偏离度的分析工具。顺势指标最早被用于期货市场的技术分析,后被应用于股票市场的研判,是被广泛使用的技术指标之一。与大多数单一利用开盘价、收盘价、最高价、最低价来计算的技术指标不同,顺势指标是根据统计学原理,引进价格与固定期间价格平均区间的偏离程度概念,强调价格平均绝对偏差在股市技术分析中的重要性,是一种比较独特的技术分析指标。

(二)顺势指标的计算

顺势指标的计算公式为:

图片

其中,pt=(最高价格+最低价格+收盘价格)÷3;

SMA(pt)=最近n日pt的简单平均值;

σ(pt)=最近n日pt的平均绝对方差;

n为计算周期,通常情况下,取“14日”作为常用参数。

(三)结合小波去噪的顺势指标的债券量化交易

小波变换( wavelet transform)是在现代调和分析基础上发展起来的一种新兴的数据处理方法。它具有多分辨率的特点,可以方便地从混有强噪声的信号中提取原始信号,被誉为分析信号的显微镜。同时,小波变换能够实现对时间频率的局部化分析,更有效地处理非平稳数据。

利用小波变换进行去噪需要三个基本步骤:对含噪声的数据进行小波变换;对变换得到的小波系数进行某种处理,以去除其中包含的噪声;对处理后的小波系数进行小波逆变换,得到去噪后的数据。

在数学上,小波去噪的本质是一个函数逼近问题,即在由小波母函数伸缩和平移版本所展成的函数空间中,根据提出的衡量准则,寻找对原信号的最佳逼近,以完成原信号和噪声信号的区分。下图即为小波去噪后的10年国开债收益率CCI指标。

图片

(四)交易策略执行

根据顺势指标的应用法则,由于债券交易采用收益率报价,收益率与债券价格互为反向变动,因此设定交易规则为:当CCI值处于上升且大于100时,进行买入债券操作;当CCI值处于下降趋势且小于100时,进行卖出债券操作。根据该设定条件,采用顺势指标进行债券量化交易,并自动标记买入点、卖出点,自动计算投资收益、仓位变动、回撤比率和夏普比率。

1.标记买入点、卖出点

采用顺势指标的量化交易策略能够较好地识别趋势性行情,进行做多或者做空交易;在震荡行情中很难判断趋势时,也可以进行操作,判断错误时该量化交易会自动给出平仓止损。如下图所示:

2.计算投资收益

下图为采用顺势指标进行量化交易的净收益情况。从2017年8月9日至2022年2月18日,做多21次,做空20次,累计投资收益为372.2457BP,投资收益率曲线呈斜向上趋势,说明该量化交易策略持续盈利能力较强。

图片

二、基于深度学习的债券量化交易

  (一)LSTM神经网络简介

LSTM是一种经过精心巧妙设计的 RNN 网络,尽管 LSTM和原始RNN 总的来看都会有三大层,即输入层、隐含层、输出层。但是 LSTM和原始 RNN 在隐含层设计上有较大的差异,主要是 LSTM 是在隐含层具备特殊的 cell 结构。 

图片

LSTM有三种这样的门限, 分别为: 输入门、遗忘门和输出门通过这三个门限来保护和控制单元状态。如下图所示

图片

输入门(input gate):控制当前输入和前一步输出,它们能进入新的cell单元的信息量。

遗忘门(forget gate):为了更有效传输,需要对信息进行过滤,决定哪些信息可以遗忘。

输出门(output gate):在cell单元新状态下信息更新。

(二)LSTM神经网络预测

图片
图片

债券收益率预测误差大部分集中在0-2BP之间,RMSE(均方根误差)值较小,预测较为准确。

(三)基于深度学习债券交易策略

既然LSTM神经网络能够较为准确预测债券收益率,那么可以根据预测结果制定债券量化交易策略。设定交易规则为:当预测未来收益率下行时,即后市看涨,进行买入债券操作(做多);当预测未来收益率上行时,即后市看跌,进行卖出债券操作(做空)。根据该设定条件,进行债券量化交易,并自动计算投资收益、胜率,生成交易日志。

1.计算投资收益

图片

从上图可以看出,2017年8月9日至2022年2月18日累计投资收益1054.06BP。投资收益率曲线呈斜向上趋势,说明该交易策略持续盈利能力较强。

2.盈亏交易分布

上图横轴表示交易次数,纵轴表示每次交易的盈亏情况,可以看出2017年8月9日至2022年2月18日共交易140次,盈利114次,亏损25次。

3.系统评价综合分析

从上图可以看出,2017年8月9日至2022年2月18日该交易策略,以多头交易为例,从交易次数来看,共交易70次,盈利61次,亏损9次,胜率87.14%;从多头交易盈亏来看,共盈利576.96BP,亏损15.7BP;以空头交易为例,共交易69次,盈利53次,亏损16次,胜率76.81%;从空头交易盈亏来看,共盈利477.1BP,亏损35.84BP。

总体来看,该策略共交易140次,盈利114次,总亏损25次,总胜率82.14%,总盈利1054.06BP,总亏损51.54BP。

4.交易日志输出(篇幅有限,选定部分)

随着大数据和人工智能时代的到来,量化交易在债券投资中的应用会越来越广阔,也许不久的将来量化交易将是债券交易的主流趋势。

本文来自网络,不代表币懂得立场,转载请注明出处:http://www.blogboleh.com/336

币懂得作者

上一篇
下一篇

为您推荐

发表评论

您的电子邮箱地址不会被公开。

联系我们

联系我们

0898-88881688

在线咨询: QQ交谈

邮箱: email@zhutibaba.com

工作时间:周一至周五,9:00-17:30,节假日休息
关注微信
微信扫一扫关注我们

微信扫一扫关注我们

手机访问
手机扫一扫打开网站

手机扫一扫打开网站

返回顶部