基于深度学习理念的高频交易策略-国泰君安-20200319
由qxiao创建，最终由qxiao 被浏览 169 用户
本报告导读：机器学习寻找的是适宜交易异象的稳定周期频率，并不是寻找特定参数组下的高收益曲线（即参数过拟合）。
摘要
目前获取战胜基准指数的主要途径是从多因子模型角度来考虑的，其本质上都是通过股票间的横向比较来获取超额收益，这也是我们提出T0系列策略的初衷，希望将==个股择时与多因子模型结合==起来，给投资者带来更多思路。
深度学习在图像处理领域更加成熟，其类似于一种图像降维技术，通过提取图像中的特征值对类似图像进行匹配。本文通过深度学习的方法对参数组及胜率的多维空间进行降维，并对其分布形态进行评估，从而确定模型泛化能力。
自2015年5月至2019年5月，相对上证50指数（股票采用指数准权重），实现年化收益3.94%，最大回撤-0.45%，信息比例高达8.75。其中，策略平均持仓为10%左右，随着策略丰富性提升，信号覆盖比例有望大幅上升。
相对沪深300指数（股票采用指数标准权重），实现年化收益4.19%，最大回撤-0.21%，信息比例高达19.95，T0收益整体表现优异。机器学习寻找的是适宜交易异象的稳定周期频率，并不是寻找特定参数组下的高收益曲线（即参数过拟合）。如果==参数组对应胜率的分布满足特定的特征，则其样本外的稳定性会大幅提高==。
规律和过拟合的区别是什么？过拟合一个是特殊情况下一次性的表现。规律是具备泛化能力的稳定特征。如何评估稳定性？随着参数变化，规律显著性呈现稳定的单调性变化。
正文
/wiki/static/upload/50/50f9d00f-f4f0-4fb0-8e34-c57a17895483.pdf
\