使用机器学习技术对配对交易的最优再平衡频率进行分类
由googleglass创建，最终由googleglass 被浏览 2 用户
文章简介
摘要
本文提出了一种基于机器学习（ML）的方法，用于预测配对交易算法（PTA）的最优再平衡频率（ORF）。研究使用了来自Binance交易所的50种加密资产的高频（按分钟）价格数据，并构建了所有可能的两资产组合。这些组合根据相关性被分为三组：正相关、弱相关和负相关。通过模拟PTA并计算每对资产的ORF，研究发现随机森林（RF）、逻辑回归（LR）和支持向量机（SVM）在短期和长期应用中对ORF范围分类的表现最为出色。负相关组合的分类性能最佳，而正相关组合的准确率最低。此外，通过验证数据集验证了所提ML程序的稳健性，证明了ORF范围分类在实际交易市场中的适用性。
作者
Mahmut Bağcı 和 Pınar Kaya Soylu
期刊
《伊斯坦布尔证券交易所评论》（Borsa Istanbul Review）
发表日期
2024年
研报总结
研究背景
配对交易是一种通过定期调整两个资产配置来获取利润的交易策略。其核心在于选择合适的再平衡频率（ORF），以最大化利润并控制风险。然而，ORF的选择受到多种因素的影响，包括资产之间的相关性、市场波动等。本文通过机器学习技术，探索如何准确预测ORF范围，以优化配对交易策略。
研究方法
- 数据来源：研究使用了来自Binance交易所的50种加密资产的高频价格数据（按分钟计算），涵盖2022年和2023年的数据。
- 配对交易算法（PTA）：PTA通过定期调整两个资产的权重来实现利润最大化。研究假设初始资产权重相等，并通过模拟交易来计算每对资产的ORF。
- 机器学习模型：研究使用了六种监督学习算法（逻辑回归、支持向量机、K最近邻、决策树、随机森林和朴素贝叶斯）来分类ORF范围。输入变量包括组合的均值、方差、偏度、峰度、风险价值（VaR）和相关系数，输出变量为ORF。
实验设计
- 相关性分组：所有资产组合根据相关性分为三组：正相关（>0.3）、弱相关（-0.3 ≤ r ≤ 0.3）和负相关（< -0.3）。
- ORF分类：ORF范围被分为四个类别：非常高频率（≤1小时）、高频率（1小时 < 频率 ≤ 1天）、中等频率（1天 < 频率 < 1周）和低频率（≥1周）。
- 模型训练与验证：使用75%的数据作为训练集，25%的数据作为测试集。通过100次随机抽样（bootstrap方法）计算每种模型的平均准确率。
关键发现
- ORF分布：正相关组合的ORF大多集中在中等频率范围（1天到1周），而负相关组合的ORF则集中在低频率范围（超过1周）。这表明，随着相关性从正向变为负向，最优再平衡频率逐渐降低。
- 模型表现：随机森林（RF）在正相关和负相关组合中表现最佳，逻辑回归（LR）和支持向量机（SVM）在弱相关组合中表现最佳。朴素贝叶斯（NB）在所有情况下表现最差。
- 验证数据集：通过2024年1月和2月的数据验证了RF模型的稳健性。结果显示，负相关组合的分类准确率最高，正相关组合的准确率最低。
- 实际应用：配对交易算法（PTA）在短期（月度）和长期（年度）应用中均优于被动持有策略。在短期应用中，PTA在91.80%的正相关、81.89%的弱相关和53.86%的负相关组合中表现更好；在长期应用中，PTA在所有组合中均优于被动持有策略。
结论
本文通过机器学习技术成功预测了配对交易的最优再平衡频率范围。研究结果表明，通过合理选择再平衡频率，可以显著提高配对交易的利润。此外，所提出的机器学习方法具有较高的准确率和稳健性，可以应用于实际交易市场。未来的研究可以探索更多特征变量和先进的机器学习算法（如深度学习或集成学习），以进一步提高ORF范围分类的准确性。
正文
/wiki/static/upload/7f/7f279fab-ba47-44ef-af4b-97698e036a60.pdf
\