馬靜萱 黃靖淞 張榕梅

1.人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)起源于1943年，是一種模仿生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的數(shù)學(xué)模型。通過對過去數(shù)據(jù)的實驗和學(xué)習(xí)進行歸納總結(jié)，推理產(chǎn)生出一個具有自動識別功能的系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)的推理功能符合投資者的需要，在股票證券市場中，預(yù)測股票證券走勢，從而達到利益最大化，風(fēng)險最小化的目的，因此人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用。國內(nèi)外有許多學(xué)者對其做了大量研究。

2.多因子模型

1993年，F(xiàn)ama和French建立的三因子模型（2），認為一個投資組合的超額回報率可由它對三個因子的暴露來解釋，分別是市場資產(chǎn)組合、市值因子和賬面市值比因子，他們認為這三個因子是對CAPM中未能反映的風(fēng)險因素的補償。1995年，Carhart基于Fama和French的三因子模型上，加入了一年期收益動量異常因素，構(gòu)造了四因子模型（3）。四因子模型可將基金收益表示為在市場因素（MKT）、規(guī)模因素（SMB）、價值因素（HML）和動量因素（UMD）共同作用下所達到的一個均衡。本文將基于四因子模型的理論，引入多因子模型的思想，創(chuàng)新地以變動的因子作為研究對象，比較高頻交易投資策略的評價指標，根據(jù)模型挑選出綜合排名較高的投資策略。

3.模型構(gòu)建

3.1交易規(guī)則

1）設(shè)定交易池股票數(shù)量為15只；2）初始資金：1，000，000元；3）每個股票每次交易額度為初始資金的1/15。

3.2設(shè)置股票池

1） 第一輪先把整體數(shù)據(jù)2597只滬深A(yù)股中無法交易的刪去，以行業(yè)為標準選取該行業(yè)市值前十的股票進入二輪股票池。2）以市盈率為基準，將二輪股票池中不符合條件的股票剔除， 3）將二輪股票按照市盈率進行排名，并結(jié)合買入規(guī)則，將符合買入規(guī)則1+2、3、4三項的，符合1+任意兩項的，符合1+任意一項的進行排列。4），將沒有觸動買入規(guī)則的但已在三輪股票池中的這些股票按以上市盈率排列法排序。將篩選出來的股票如果大于15只的話從排名16號的股票開始就放入備選交易池，若交易池賣出以致交易池不足15只按排名買入備選池中的股票填充，以此循環(huán)。

3.3 建立買賣規(guī)則

買入規(guī)則：1） 布林帶：價格向上突破中軌；2）MA1與MA5且MA1與MA10金叉；3）KDJ金叉；4）MACD金叉。按以上四至五步觸動買入規(guī)則的股票排名的規(guī)則買入。賣出規(guī)則：1）布林帶：向下突破上軌或向下突破中軌；2）MA1與MA5或MA1與MA10或MA1與MA20或MA1與MA30死叉；3）KDJ死叉；4）MACD死叉；5）3日內(nèi)（三天后收盤價-第一天買入價的利潤幅度）價格向上波幅沒有2%。以上僅有一項賣出規(guī)則被觸動便操作賣出。

3.4 網(wǎng)絡(luò)訓(xùn)練與資產(chǎn)組合構(gòu)建

（1）人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

隱含層的確定：根據(jù)經(jīng)驗公式，隱含層節(jié)點數(shù)大概選擇4-6，在假定學(xué)習(xí)效率為0.1 下，針對每個節(jié)點數(shù)都訓(xùn)練6次，得出網(wǎng)絡(luò)性能如下，可以看出節(jié)點數(shù)為5的時誤差最小，同時按照經(jīng)驗公式選擇學(xué)習(xí)率為0.1

（2）選股與投資組合構(gòu)建

回測時間：2015年1月5日至2016年7月1日； 樣本空間：2597只滬深A(yù)股；

換倉頻率：每當交易池不足15只時；參照物：上證指數(shù)；每交易一次，考慮0.3 %的交易成本；

在行業(yè)中性及控制誤差的基礎(chǔ)上，使得投資組合的預(yù)測收益率最大化。

3.5 策略檢驗

首先，選取2015年1月5日至2016年7月1日的股指期貨指數(shù)的開盤價、收盤價、最高價、最低價等數(shù)據(jù)。根據(jù)3.1.3設(shè)立的買入賣出規(guī)則編寫策略，其中用到的主要技術(shù)指標有布林帶、MA1與MA5且MA1與MA10金叉、KDJ金叉死叉以及MACD金叉死叉。其中選取2015年1月5日至2015年12月31日的數(shù)據(jù)作為建立模型的基礎(chǔ)，選用2015年1月5日至2016年7月1日的數(shù)據(jù)作為回測。其次，策略評估指標的選取方面，本文以市場廣泛使用的指標為基礎(chǔ)，在此基礎(chǔ)上對策略評估指標進行篩選。選用的策略評估指標包括：基準收益，Alpha Beta，夏普比率，最大回撤

根據(jù)回測的數(shù)據(jù)，利用策略評估指標進行比較。首先，以上證指數(shù)收益率9%作為參照物，模型優(yōu)化前的收益達到11%，經(jīng)過進一步的調(diào)整，模型優(yōu)化后的策略收益達到16%。此數(shù)據(jù)證明，還策略所帶來的收益高于同期大盤收益，最高可以獲得7%的超額收益。同時，比較剩余的評估指標，在模型優(yōu)化前，Alpha比率為0.36，Beta比率為0.86，夏普比率為1.16。在進行模型優(yōu)化后，Alpha比率上升為0.4，Beta比率達到0.9，夏普比率增加至2，優(yōu)化后的模型帶來的收益比優(yōu)化前的模型有所增加。此外，模型優(yōu)化后的最大回撤從模型優(yōu)化前的0.32降至0.22，證明優(yōu)化后的模型不僅帶來更高的收益，同時降低了風(fēng)險。

4.總結(jié)

本文基于人工神經(jīng)網(wǎng)絡(luò)的量化對沖策略的研究，以達到收益最大化，風(fēng)險最小化的目標。本文首先介紹了人工神經(jīng)網(wǎng)絡(luò)以及多因子模型，借鑒多因子模型的思想，并創(chuàng)新地引入變動因子作為研究對象。在初步改進模型的有效性后，將模型應(yīng)用于策略中，得到了滿意的組合收益率。實證結(jié)果表明本文構(gòu)建的基于人工神經(jīng)網(wǎng)絡(luò)的量化對沖策略具有一定的參考價值。

參考文獻：

Fama， E.F.， & French， K.R. （1992）， “The Cross-Section of Expected Stock Returns”. Journal of Finance， 47， 427-465.

Carthart， M. （1997）. On persistence of Mutual Fund Performance. The journal of Finance， 57-82.