如何根據每個策略的 daily return 對不同策略進行最為有效的分類?

請問在策略組合裡面,如何根據每個策略的daily return對不同策略進行最為有效的分類?經常有人提到SVM和遺傳演算法,請問具體是如何實現的?


感謝邀請。個人淺見策略分類若只看日收益很容易忽略許多本質的區別。宏觀,RV,統計套利,趨勢跟蹤,carry,高頻套利這些本質上完全不同的策略也會有很相似的日回報分布,基於回報的統計數據比如最大回撤、夏普、年化和相關性等都會很相似,所以Fund of funds在考慮投資一家基金之前除了日收益以外,更本質的還是看策略的類型。

為了更本質的區分策略,一般會看策略背後信號生成的哲學和持有風險的類型。持倉的時間以及執行下單的策略有時也會被拿來做更細緻的區分。


只看daily return序列來評估策略確實太「單薄」, 像@騰天 騰總舉例了很多大類不同的策略會有相似的回報序列。此外即以股票市場的long only這一策略下面的不同分支舉例,都會有類似結果。
純虛構舉例如下:一個側重於行業基本面深入挖掘後買入這個行業的策略,另一個基於擇時構建出來的策略,在後續一段時期(比如半年到一年)內的回報序列可能是類似的。但後者買入的股票可能散落在不同的行業上,實質上與前者有很大區別。

涉及到這些策略背後的生成邏輯,有些系統性的框架可以給出定量的指標參考。比如Barra的多因子風險框架,在股票市場上歸納出一些因子(算上行業因子有幾十個了),計算因子回報、相關性等,將策略丟到這個框架中之後,就能得到其在各個因子上的暴露度、風險敏感度等指標矩陣。如果有個策略過多的押注在其中一兩個少數因子上,很直觀就能看出來。

類似於賣方pricing框架中的greeks矩陣,可以從更豐富的維度對策略組合進行度量。比起單純用回報序列測算波動性的手段,更加穩健了很多。Barra的這套機制與pricing中的greeks雖然形似,有個本質的區別就是greeks是因果性的,比如一個option的組合其價值波動就確實由volatility這個因子的波動所驅動;但多因子框架中,很難說股票組合今天的波動由「市值」這個因子的波動驅動了多少。也就是後者只是將策略的回報及波動投影分解到多個因子上,來進行更豐富層次的觀察度量。

最後發現說了幾次Barra的名字,利益相關聲明一下:只做過一段時間的Barra輕量級用戶,與這個產品及其公司沒有任何的利益關係。。。
如果還有更多更好的這種框架,也歡迎大家介紹。有用的東東想知道的越多越好。


來添塊磚吧,新近入行,如有謬誤儘管拍磚。
首先來說,種種演算法根本的目的是在指標關係不清,組合太多,人力不能完成的情況下,通過一定的邏輯框架藉由計算機解決問題的一種工具。只是勝在不知疲倦的試錯,至於邏輯框架還是要靠人。
神經網路根本目的是預測,對於分類,題主可以考慮借鑒聚類分析,不同維度去考慮,簡單的講就是用所有能想到的指標分類,然後選最優的組合。應該會是有偏好,會有些幫助,也有可能得到一些大白話類型的結論。
對於最優化,可以考慮聚類分析得到的主要指標作為神經網路的輸入量,以一個時間段之內組合收益為指標量,預測下一個時間段之內這個組合的組合收益。要足夠大的訓練樣本,越大越好,至少幾百個樣本,之前自己在「科學研究」用都是幾千甚至上萬的樣本量。鑒於樣本量對結果影響明顯,誠實講不推薦用神經網路方法來做。
總結一下,還是推薦用人工先做粗略分析,先定性,再考慮選什麼樣的方法定量分析。除神經網路以外還有其他很多deep learning方法可選,各有側重點。就完善程度來說,所謂deep learning類的演算法都還很不好用。
在用機器學習方法解決問題的時候,如果缺少訓練集,那麼如何快速的構造訓練集呢?第一個回答可以參考。簡單講,deep learning就是一堆複雜的條件概率。
聚類分析結果示例:


可能是這樣的

或者,運氣好會是這樣的。

或者,運氣好會是這樣的。

普遍來說是這樣的。


不請自來,前面有人說了,這是一個FOF或者MOM的問題。信號/策略分配是學術界的經典問題,總的來說面臨的最大挑戰是對某些策略一段時間負收益的合理評估(由於拉格朗日方程在收益為零或以下時陷入奇點,對暫時性或者長期性負收益的評估在數學上比較困難)。有興趣的話可以看看Roncalli大牛過去幾年的文章。


作為問題的提出者,先來拋磚引玉一下,對策略分類的入手點,到底是先對行情進行分類,然後將不同的策略對號入座到不同的行情,還是直接根據策略本身的不同特點和指標來進行劃分,比如最大回撤,平均持倉時間,預估年化收益率,夏普率,相關係數等,究竟大家都是如何考慮這個問題的?


daily return,我理解是「每日盈虧」。
根據每個策略的 daily return 對不同策略進行最為有效的分類?——也就是按結果分類咯?
好了,祭出萬能「杜邦大法」,一眼閱盡天下各類交易本質:杜邦大法好_cexia
萬象皆自杜邦三元素中。應用起來,步驟應該是:不同的daily return,對應的策略是怎麼駕馭周轉和槓桿的。
靜心思考一番,真相立馬顯現……


策略分類若只看日收益很容易忽略許多本質的區別
宏觀側率,RV策略,統計套利策略,趨勢跟蹤策略,高頻套利策略這些本質上完全不同的策略也會有很相似的日回報分布,基於回報的統計數據比如最大回撤率、夏普率、年化率和相關性等都會很相似,所以組合在考慮投資一家基金之前除了日收益以外,更本質的還是看策略的類型。

為了更本質的區分策略,一般會看策略背後信號生成的邏輯和持有風險的類型。

持倉的時間以及執行下單的策略有時也會被拿來做更細緻的區分。

涉及到這些策略背後的生成邏輯,有些系統性的框架可以給出定量的指標參考。

比如Barra的多因子風險框架,在股票市場上歸納出一些因子(算上行業因子有幾十個了),計算因子回報、相關性等,將策略丟到這個框架中之後,就能得到其在各個因子上的暴露度、風險敏感度等指標矩陣。如果有個策略過多的押注在其中一兩個少數因子上,很直觀就能看出來策略背後信號生成的邏輯。


策略圖示來源

策略圖示來源http://www.5iquant.com海外專場


畫收益的分布圖。看尾部。


推薦閱讀:

TAG:量化 | 機器學習 | 聚類演算法 | 深度學習(Deep Learning) |