中信期货-量化CTA：机器学习与技术分析结合策略研究-230201

文本预览：

《中信期货-量化CTA：机器学习与技术分析结合策略研究-230201（37页）.pdf》由会员分享，可在线阅读，更多相关《中信期货-量化CTA：机器学习与技术分析结合策略研究-230201（37页）.pdf（37页精品完整版）》请在悟空智库报告文库上搜索。

（以下内容从中信期货《量化CTA：机器学习与技术分析结合策略研究》研报附件原文摘录）
　　机器学习可以分为无监督学习、监督学习、半监督学习、强化学习，其中监督学习适合进行价格预测，报告使用KNN、SVM、决策树、随机森林等8种监督学习方法进行预测。 　　根据形态理论，当前的价格走势会符合一种形态，进而判断未来价格走势。如果将形态理论扩展，从历史中找到与当前最相似的行情，不一定是某种形态，那么根据技术分析假设中的历史会重演，就可以判断未来价格走势。而机器学习方法如KNN等算法与该思想较为一致，可以辅助进行价格判断。 　　在前两部分分析基础上，第三部分对国内上市时间较长的期货品种进行策略构建。以过去一段时间的价格作为各个特征值，以未来一段时间的涨跌作为标记，各种算法相当于将过去多个交易日的形态映射到一个空间中进行分类，进而预测未来价格的涨跌。 　　从算法和品种两个角度进行分析，算法中多个算法表现最好的品种为焦煤；各品种中表现较好的算法多为SVM和线性回归。通过组合各算法下和各品种板块收益曲线，发现板块组合卡玛比率超过了7，跨板块组合的效果较好。 　　从整体卡玛比率和年化收益率两个角度来看，表现较好的算法均为SVM、随机森林、KNN、决策树，表现较好的品种均为焦煤、铜、白银、铝、豆油、豆粕、菜粕，可以主要对这些品种使用机器学习方法辅助预测和策略构建。 　　风险提示：模型过度优化；策略逻辑失效