1. 相似性择时策略思路及DTW算法基本原理 [page::5][page::6][page::7]

• 采用动态时间弯曲算法（DTW）衡量当前指数与历史行情的相似度，筛选出相似历史片段预测未来走势。

- DTW优势在于能处理时间序列的时移和伸缩，但存在病态匹配和计算复杂度高的问题。

• 通过动态规划确定最优匹配路径，基本约束条件包括终点、连续性和单调性。

- 通过图4-7，解释欧氏距离与DTW弹性度量的区别及DTW路径计算。

2. DTW算法的改进方法与应用实证 [page::8][page::9][page::10][page::12][page::13][page::14][page::15][page::16][page::17]

• 主要通过全局约束（Sakoe-Chiba窗口、Itakura平行四边形）和局部约束（步模式TypeId及加权方式）防止病态匹配。

- 基于沪深300及相关宽基指数构建多版本DTW择时策略，分别为传统DTW，SC-DTW（全局约束）、Ita-DTW（Itakura约束）、TypeId-DTW（局部约束）等。

• 不同参数组合最优，Ita-DTW在样本内年化收益12.72%，样本外8.33%，最大回撤显著低于基准。

- 不同策略收益对比表明，Ita-DTW收益和风险控制优于传统DTW及均线择时。

• 日频Ita-DTW策略同样表现良好，夏普比率和盈亏比均高于基准。

| 策略 | 年化收益(%) 样本内 | 最大回撤 样本内 | 年化收益(%) 样本外 | 最大回撤 样本外 | 夏普比率 样本外 | 盈亏比 样本外 |
|------------|-------------------|--------------|-------------------|--------------|-------------|------------|
| Ita-DTW | 12.72 | -47.55% | 8.33 | -20.29% | 0.55 | 1.36 |
| TypeId-DTW | 9.46 | -65.65% | 5.63 | -23.26% | 0.37 | 1.24 |
| 传统DTW | 5.22 | -70.91% | 2.72 | -26.12% | 0.16 | 1.13 |
| 均线择时 | 8.19 | -39.62% | 2.96 | -27.83% | 0.19 | 1.159 |

3. 引入宏观流动性指标优化择时：Macro-Ita-DTW策略 [page::19][page::20][page::21][page::22][page::23]

• 宏观流动性指标M1和M2剪刀差具有周期性和预测市场拐点能力，M1-M2增速差与沪深300相关性0.31。

- 当剪刀差历史分位低于20%时，通常指示市场流动性底部，股市可能反弹。

• 基于以上，构建宏观调节机制叠加在Ita-DTW上，实现Macro-Ita-DTW择时策略。

- Macro-Ita-DTW策略样本内年化收益16.29%，样本外年化收益9.36%，风险指标有所下降，表现更为稳定，年均调仓次数减少。

• 在其他宽基指数如上证50、中证500、中证1000、上证指数、中证全指、万得全A均取得较好的超额收益。

| 业绩指标 | 样本内(Macro-Ita-DTW) | 最大回撤 | 样本外(Macro-Ita-DTW) | 最大回撤 | 年均调仓次数 |
|--------------|---------------------|------------|---------------------|------------|------------|
| 年化收益(%) | 16.29 | -47.55% | 9.36 | -20.29% | 7.71 |
| 胜率(%) | 57.57 | - | 53.97 | - | - |
| 盈亏比 | 1.37 | - | 1.39 | - | - |

4. 基于沪深300股指期货交易的实盘表现 [page::22]

• 周频Macro-Ita-DTW股指期货交易策略年化收益约9.36%，最大回撤20.29%；可做空策略年化收益提升至18.20%。

- 日频策略因交易成本影响收益略低，年化收益约为12.36%，可做空策略约17.67%。

5. 策略总结与未来展望 [page::24]

• 改进的DTW算法结合宏观流动性指标有效提升择时表现，增强策略稳定性和风险控制。

- 未来可考虑放松终点条件、调节时间序列长度参数，应用于行业轮动及个股选股策略，拓展策略适用范围。

引入宏观维度的改进 DTW 算法在择时策略中的应用 — 技术择时系列研究

---

一、元数据与概览

• 报告标题： 引入宏观维度的改进 DTW 算法在择时策略中的应用

- 作者及联系方式： 任瞳，周靖明，罗星辰

• 发布机构： 招商证券

- 发布日期： 具体日期未详，但报告末尾有最近数据截至至2022年10月

• 研究主题： 以改进的动态时间弯曲算法（DTW）结合宏观流动性指标，应用于中国宽基指数（主要为沪深300）指数的技术择时。

核心论点总结

本报告提出并实证了两种基于DTW算法的指数择时策略：

1. 基于改进DTW算法的Ita-DTW策略。该算法在传统DTW基础上，通过对弯曲路径施加约束，有效防止病态匹配，提升相似性度量的准确性。其在沪深300上样本内年化收益12.72%，样本外收益8.33%，表现优于传统DTW择时。

2. 在此基础上，引入宏观层面流动性指标（M1和M2的剪刀差）优化策略，形成Macro-Ita-DTW择时。该策略在样本内年化收益提升至16.29%，样本外年化收益提升至9.36%，且回撤和波动水平均有所降低，表现稳定并优于Ita-DTW。
此外，Macro-Ita-DTW策略在中国多个宽基指数中的表现均较为优异。风险提示为模型基于历史数据，未来可能失效。 [page::0]

---

二、逐节深度解读

2.1 引言（前言）

通过引用历史典故阐述择时重要性，讲解宏观（GDP）、中观（新能源汽车销量）、微观（沪深300行情量价）三个层面对市场的影响，确立了从微观层面基于量价技术指标构建择时策略的研究路径。并概述筹划采用形态/模式识别技术中的DTW算法，结合机器学习方法进行择时分析。 [page::4]

2.2 相似性择时及DTW算法基本原理

• 相似性择时思路：对当前行情片段与历史行情序列进行相似度筛选，选取相似历史行情之后预期涨跌幅的加权平均，最终构建择时信号（涨多跌空）。（图3显示其流程，当前行情序列→相似度筛选→计算预测涨跌幅→构建择时模型）。

- 相似性度量方法分类：
- 基于特征（相关系数等），但信息可能不全
- 锁步距离度量（欧氏距离等），存在时间错配风险
- 弹性距离度量（动态时间弯曲DTW等），能够解决时移、伸缩问题
- 变化相似性度量（ARMA、HMM等）

• 选用DTW作为核心算法用于衡量时间序列相似度，理由是其弹性度量特性更适合行情序列时间伸缩性。

图4与图5分别直观展现欧氏距离（锁步匹配）与DTW弹性度量的不同匹配方式，DTW能跨步匹配时间点，减小错误匹配造成的距离估计偏差。 [page::5]

2.3 DTW算法原理及改进方法

• DTW基于动态规划，通过寻找一条符合终点条件、连续性和单调性三条件的弯曲路径，来计算两序列间的最小弯曲距离。

- 算法细节中介绍了距离函数d(i,j)，样本匹配点构成的路径φ(k)，以及路径权重和规范化方式用于计算总距离[page::6-7]。

• 传统DTW的缺陷：存在“病态匹配”问题，即路径可能过度伸展或偏移，造成不合理匹配；且算法计算量较大。

- 改进方法：
- 全局约束（Global Constraints） 限定匹配路径的可行区域：
- Sakoe-Chiba窗（路径距对角线限制半径r）
- Itakura平行四边形（路径空间由斜率限定）
- 可变参数窗口（R-K Band）
- 局部约束（Local Constraints） 对匹配路径每一步施加限制，包括步模式（Step Patterns，TypeI-IV等）及加权方式，防止路径过度弯曲。

• 图8-12辅助解释“病态匹配”及改进方式具体形式，图9-10示意全局限制区域，图11-12展示步模式和加权权重。 [page::8-10]

2.4 改进DTW在行情相似性度量的应用示例

以沪深300两个历史时间片段（下跌期：2022/9/13—10/31和见顶回落期：2022/6/14—7/25）为例，利用叠加Itakura约束的Ita-DTW，分别基于价格和成交量数据进行相似性匹配。结果显示筛选出的历史行情与当前行情走势及成交量呈现较好同步，且未来5个交易日涨跌幅的预测与实际也较为一致（举例为7.60%与2.22%，-0.57%与-0.74%）[page::10-11]。

2.5 改进DTW择时策略实证——沪深300指数

基于传统DTW算法的策略构建与实证

• 使用周频调仓、样本序列长度l=30，距离阈值k=0.02参数组合，基于沪深300收盘价和成交量构建传统DTW择时策略。

- 策略从2007年4月至2022年10月回测，训练集为2007-2017年，测试集为2017年至今。

• 实证结果：样本内年化收益5.22%，样本外2.72%，且策略最大回撤显著低于沪深300（26.12%对37.03%）。（图17-20, 表1）[page::12-13]

全局约束改进：SC-DTW和Ita-DTW策略

• SC-DTW（叠加Sakoe-Chiba constraint）

- 参数调优得最优组合(l,k,r)=(30,0.03,5)
- 收益显著提升，样本内17.03%，样本外4.07%，最大回撤较传统DTW进一步缩小。（图21-23，表2）

• Ita-DTW（叠加Itakura Parallelogram constraint）

- 参数调优得最佳(l,k)=(30,0.03)
- 更优表现，样本内年化12.72%，样本外8.33%，最大回撤显著下降至20.29%，夏普比率和收益回撤比均提升。（图24-27，表3）

• Ita-DTW相较于SC-DTW不需额外设置窗口限制参数，参数更少，便于使用。[page::14-15]

局部约束改进：TypeId-DTW策略

• 多种局部约束测试后，TypeId步模式表现最优。

- TypeId-DTW策略样本内收益9.46%，样本外5.63%，最大回撤23.26%，盈亏比和夏普比率有所提升，表现好于传统DTW但略逊于Ita-DTW。（图28-30，表4）[page::16]

多择时策略比较

• 多策略表现综合对比显示Ita-DTW在收益水平、风险控制、稳定性方面均优于TypeId-DTW、传统DTW和基准均线择时（MA120）。

- Ita-DTW样本外超额年化收益超8%，最大回撤及波动均明显降低。（图31、表5）

• Ita-DTW算法在日频择时也表现良好，样本内年化收益15.57%，样本外11.89%，且回撤和夏普均优于指数。（图32，表6）[page::17-18]

2.6 引入宏观流动性指标的Macro-Ita-DTW策略

宏观流动性指标介绍

• 介绍M0、M1、M2的定义与涵义，针对中国市场的敏感性，重点观察M1和M2同比增速剪刀差指标。

- 该剪刀差指标能体现资金从定期转向活期的趋势，指示市场流动性变化，具备周期性，能判断市场拐点（如牛熊转换）。

• M1增速变化更大，M1-M2剪刀差与沪深300存在明显正相关（秩相关系数0.31）。

- 低剪刀差历史分位（低于20%）预示宏观流动性拐点及股市可能反转，验证多个牛市起点时点。基于此构建阈值择时信号。（图33-36）[page::19-20]

Macro-Ita-DTW策略表现

• 以此宏观指标为过滤条件叠加Ita-DTW，形成Macro-Ita-DTW策略。

- 测试结果明显优于Ita-DTW基准策略，样本内年化收益16.29%，样本外9.36%；胜率提升至57.57%和53.97%；最大回撤保持低位，年均调仓次数减少。

• 策略分年度表现稳健，超越指数基准，在14年中跑赢指数，且年波动率和回撤基本低于指数。（图37-39，表7-9）[page::20-21]

股指期货实际交易检验

• 采用沪深300股指期货为交易标的，对Macro-Ita-DTW策略进行实际交易测试。

- 周频策略及可做空策略均实现年化约10%及18.2%的收益水平，最大回撤大约20%左右。日频策略考虑交易成本后略降，但可做空策略仍有接近18%的年化收益。

• 表明策略具有实盘落地的潜力。（图40-41，表10）[page::22]

其他宽基指数的应用

• Macro-Ita-DTW策略在包括上证50、中证500、中证1000、上证指数、中证全指、万得全A等广泛指数上同样表现良好。

- 超额收益均为正，回撤及波动较指数低，收益回撤比和夏普也良好。

• 说明策略泛化能力较强，可适用于不同市场广泛指数。(图42-47，表11)[page::22-23]

---

三、图表深度解读

• 图1-2：分别展示择时策略在宏观-中观-微观三个层面构建的多维思路，以及基于不同方法的择时策略分类，为本文研究铺垫逻辑基础。[page::4]

- 图3：相似性择时策略的流程明晰，显示历史行情序列匹配、加权平均涨跌幅、信号构建三个关键步骤，强调相似性度量的重要性。[page::5]

• 图4-5：欧氏距离因其锁步性质容易出现误差，而DTW允许非线性时间扭曲，提高了序列匹配的精度，图示直观对比辅助理解。 [page::5]

- 图6-7：DTW算法动态规划中如何递归选择最优匹配路径以及路径的定义，对算法理解具备引导意义。[page::6-7]

• 图8-12：透彻说明传统DTW算法出现的病态匹配问题及改进策略，全局约束如Sakoe-Chiba窗口和Itakura平行四边形有效限制路径，加上局部步模式和加权方式，增强匹配合理性与稳定性。[page::8-10]

- 图13-16：实证展示DTW算法在真实价格和成交量数据的匹配效果，强调相似性较高的历史行情在未来表现也相仿，支撑择时策略的合理性。[page::10-11]

• 图17-32及表1-6：对比传统DTW、多种全局及局部约束DTW及均线择时指标的策略收益表现，清晰展现Ita-DTW优于其他策略，含样本内和样本外，回撤风险显著降低，夏普率提升。日频策略表现亦优于指数基准。[page::12-18]

- 图33-36：揭示宏观流动性M1、M2剪刀差的周期性及其与指数联动关系，体现宏观形势在择时策略中的重要信号作用。[page::19-20]

• 图37-41及表7-10：Macro-Ita-DTW策略表现与传统Ita-DTW对比，性能提升明显，股指期货实盘验证策略有效。

- 图42-47及表11：策略在其他宽基指数上广泛成功应用，显示良好适用性和稳定性。[page::20-23]

---

四、估值分析

报告未涉及传统意义的公司估值分析，但基于回测的收益和风险指标衡量策略性价比，涉及典型的金融组合评估指标：

• 年化收益率（年化收益）

- 最大回撤（风险度量）

• 年化波动率（标准差衡量波动风险）

- 收益回撤比（收益与最大亏损的比值，越大越好）

• 夏普比率（衡量单位风险的超额收益）

- 胜率（正收益周期占比）

• 盈亏比（平均盈利与亏损比）

- 调仓次数（频率，衡量策略交易活跃度和交易成本影响）

这些指标共同构成策略综合评价体系。指标表现良好说明策略在收益、风险及稳定性方面均具备优势。[page::12-23]

---

五、风险因素评估

• 模型基于历史数据风险：报告明确提醒历史数据并不代表未来表现，任何模型均有失效风险。[page::0]

- 策略过拟合风险：尽管报告通过训练和测试集划分有效缓解，但使用窗口、步模式等超参数依然存在过拟合空间。

• 市场结构变化及宏观政策风险：流动性指标对中国市场敏感，但宏观环境变化突发性较强，可能影响模型的预测准确性。

- 高频交易成本及流动性风险：日频策略实际收益较模拟略低，对交易成本敏感，市场流动性不足时执行风险升高。[page::22]

• 适应性风险：策略参数固定，未来市场若出现结构性变化，模型可能失效。报告提出未来研究可放宽终点条件及时间序列长度以增强泛化能力，以此回应部分风险。[page::24]

---

六、批判性视角与细微差别

• 本报告对DTW及其改进详尽，但大部分改进策略均基于参数调优，建议未来明确对比参数敏感性，以增加稳健性保证。

- 报告没有详细讨论策略的交易成本和滑点对策略真实业绩的影响，尤其是日频策略，实际场景可能与回测有所差距。

• 宏观指标M1和M2剪刀差的选用基于经验和统计相关性，模型未充分讨论未来货币政策变化及非线性因素的潜在影响。

- 报告提及未来可放宽终点条件，但当前策略都是固定长度时间序列对比，可能限制策略捕捉更复杂市场结构变化的能力。

• 多项指标显示回撤依然较大（20%以上），该策略更适合风险承受能力较强的投资者。

- 评级部分虽有政策说明，报告未明确提供策略具体的行业或股票持仓指导，限制其在资产配置层面的应用。 [page::24,26]

---

七、结论性综合

本报告系统地展示了基于改进动态时间弯曲算法（DTW）的指数择时策略的设计、演进与实证，包括算法基础、两类典型改进（全局约束Ita-DTW、局部约束TypeId）、结合宏观流动性指标的策略优化（Macro-Ita-DTW）以及多维度性能衡量。报告的多重回测结果证明：

• 设置合理约束条件后的Ita-DTW择时策略显著优于传统DTW以及基于均线的传统择时，获得更高年化收益、良好风险控制及夏普率提升。

- 引入M1和M2剪刀差宏观流动性指标可进一步提升模型识别市场底部的能力，形成的Macro-Ita-DTW策略在收益和风险指标上均表现最佳，且年均换手率下降，增强了策略的实用性。

• 实盘基于股指期货的测试表明策略可操作性强，收益稳定且超越标的指数。

- 该套方法不仅在沪深300表现优异，也在多种宽基指数上验证了策略的可行性和泛化能力。

从技术角度看，DTW算法通过动态规划匹配时间序列提供弹性度量，其改进缓解了病态匹配问题，进而提高了择时信号的预测准确性；结合宏观指标体现了多维度融合的优势，增强了模型的风险敏感性和市场适应性。

综上，报告推荐采用基于改进DTW的Macro-Ita-DTW择时策略进行指数择时操作，尤其是在中国市场中周期性波动明显、流动性影响显著的背景下，具备较高参考价值和应用潜力。同时，报告也提示历史数据局限和模型存在的潜在风险，投资者应审慎结合自身风险承受能力合理应用。[page::0,4-24,26]

---

总结

本报告对基于动态时间弯曲算法的技术择时进行全面系统的理论及实证研究，细致阐释了算法原理与改进，结合市场流动性宏观指标，实现了择时性能的多层次提升，且策略在多维度指标和多个市场大规模验证中均表现稳健优异，具备良好应用前景。

上述分析融合大量图表和实证表格，以严谨数据支撑观点，为技术择时及量化投资领域提供了重要的参考和方法指导。

报告