光大证券-机器学习系列报告之四：细说回测模拟路径拓宽回测样本-191101

《光大证券-机器学习系列报告之四：细说回测模拟路径拓宽回测样本-191101（22页）.pdf》由会员分享，可在线阅读，更多相关《光大证券-机器学习系列报告之四：细说回测模拟路径拓宽回测样本-191101（22页）.pdf（22页精品完整版）》请在悟空智库报告文库上搜索。

　　该篇报告中，我们引入一个新的能够对收益率进行刻画的SGED模型，在此基础上衍生出了SGED-ARMA模型和SGED-GARCH模型，采用滚动拟合的方式模拟价格序列，并以回测RSRS择时模型为例，展示模拟路径通过增大数据样本，降低路径依赖，减少参数过拟程度等方式来提升回测有效性的作用。
　　广义误差模型的偏度拓展(SGED)。我们首先从价格收益率存在的尖峰厚尾以及偏度的角度出发，引入了一个新的能够对收益率进行刻画的SGED分布，相比于普通的正态分布，SGED分布能够更好地考虑到价格收益率存在的一些非正态的统计特征。在模拟收益率数据时，本篇报告采用了滚动拟合的方式，并且提取每天的开盘价格进行了额外的拟合工作，以确保价格数据构造的相似性。
　　收益率自相关性与波动聚集效应。出于对收益率自相关性和波动聚集效应的考虑，本篇报告分别构建了SGED-ARMA模型和SGED-GARCH模型，这两个模型能够分别在上述两个方面对SGED模型的效果进行提升。由于我们采用了滚动拟合的模拟方式，模拟价格序列的波动聚集效应在各个模型上都有所保证，所以最后选取SGED-ARMA模型来模拟价格序列，进行后续的策略有效性研究。
　　阻力支撑相对强度（RSRS）择时指标的有效性及过拟程度。将RSRS择时策略应用于SGED-ARMA模型生成的300条模拟价格序列，以及沪深300指数价格序列。各个指标的统计结果表明，RSRS择时模型整体而言确实是较为有效的择时模型，但其参数选择有一定程度的过拟合，以沪深300指数历史走势测试的参数构建的策略，其回测结果一定程度上夸大了指标的实际择时能力。
　　风险提示：测试结果均基于模型和历史数据，模型存在失效的风险。