趙 耀
(西安財經大學行知學院經濟與統(tǒng)計學院,陜西 西安 710038)
配對交易認為2種基本面相似的股票價格具備相關性,且價格差符合均值回歸的特點,短暫偏離將成為交易機會。配對交易的股票對頭寸相反且基本面相似,市場下行時空頭頭寸可彌補多頭倉位的損失,這樣風險相比之下遠小于單邊交易。同時,做空的資金可用以建立多頭頭寸,可降低投資成本。
配對交易需要多空方向交易,標的資產的選擇可以是股指期貨、商品期貨或是以可融券的股票。金愷[1]通過協(xié)整法對滬深300成分股進行研究,認為酒類、銀行、鋼鐵等行業(yè)股票相關性較強。選擇合適的股票對是交易策略制定中的重要步驟,Gatev等[2]提出了基于距離的股票配對法、Elliott等[3]提出了基于隨機價差的方法,Chandra G等[4]將協(xié)整配對法應用于澳大利亞交易所的投研決策中,獲得了持續(xù)收益。胡倫超等[5]基于協(xié)整配對法和距離配對法,構建了一種新的兩階段配對交易策略。本文通過協(xié)整性關系確定配對股票,通過時間序列分析法,確定了具體的量化策略方案。
配對交易主要工作在于兩方面,首先是股票池的選擇,其次為開平倉交易信號的確定。國內多數文獻采用Person相關系數及協(xié)整理論結合起來選擇配對股票。盡管該系數存在虛假回歸的可能,但協(xié)整性高的股票對一定具有較強的相關系數。因此在篩選股票對時選擇高相關性的標的進行進一步協(xié)整檢驗,可避免股票時間序列數據之間的虛假回歸并提升效率。
交易閾值的大小會對收益的大小與波動性產生較大影響,目前文獻中有多種方法確定交易閾值。除了設置固定參數的方式,胡文偉等[6]使用強化學習建立了配對交易模型,搭建的交易系統(tǒng)的獲利能力,收益率和索提諾比率大幅提高,且降低了投資風險。何至靜等[7]認為當GARCH模型表達式滿足α+β<1的約束條件時得到時變的價差序列標準差作為交易信號。此方法的夏普比率優(yōu)于固定參數為+/-1.5倍標準差的情況。于曉雨等[8]通過遺傳算法確定了交易最優(yōu)閾值。本文基于搜索算法來確定最優(yōu)的交易閾值,最后將閾值進行動態(tài)優(yōu)化,提升配對交易的夏普比率。
通過Python實例化tushare的API,調用通用接口pro_bar()獲取工商銀行(ICBC)、農業(yè)銀行(ABC)、中國銀行(BOC)、建設銀行(CCB)、交通銀行(BOCM)、光大銀行(CEB)、民生銀行(CMB)、浦發(fā)銀行(SPDB)、興業(yè)銀行(CIB)、招商銀行(CMB)、中信銀行(CITIC)這11只大中市值股票2018年1月1日—2021年9月30日的日間收盤價,為消除股息對價格影響,數據采用前復權。
實例化Seaborn的API并使用heatmap()函數繪出股票兩兩之間的相關系數。該方法以Person相關系來衡量相關性的??梢暬Y果如圖1,ICBC-CCB(0.93),CIB-CMB(0.91),ABC-BOC(0.88)的相關系數最高。
圖1 銀行股收盤價間相關系數云圖
在檢驗2個時間序列數據是否具備協(xié)整關系之前,要對這3對股票進行ADF檢驗,原假設為序列不平穩(wěn)。通過Python的statsmodels.tsa.api模塊導入adfuller(),分別對原序列與一階差分序列進行平穩(wěn)性檢驗,結果表明:在1%置信水平下,除CIB與ABC的價格序列平穩(wěn)外,其他4只股票的價格時間序列的P值均大于1%臨界值,無法拒絕原假設,序列不平穩(wěn)。接下來對一階差序列再次進行檢驗,均可拒絕原假設,故此6個時間序列是一階單整的。在協(xié)整性檢驗之前,需要對其進行解釋變量和被解釋變量的研究,因為不同的處理方法對結果產生顯著影響。
該檢驗方法用于分析經濟變量之間的Granger因果關系,其前提條件是時間序列必須平穩(wěn),否則可能出現(xiàn)偽回歸問題。對表1的一階差分序列進行Granger因果檢驗。使用Python在statsmodels.tsa.stattools內調取Granger causality tests,結果見表1??梢姰斦礄z驗配對股票時,p值也發(fā)生了較大變化。根據p值性質,數值越小就越有把握拒絕原假設。例如ICBC與CCB的Granger因果檢驗中0.672 3>0.083 0,說明CCB作為自變量更加具有解釋性。
表1 Granger因果關系檢驗
本文采用E-G兩步法進行協(xié)整性檢驗,線性回歸后得出3個協(xié)整方程:
ICBCt=1.008 9+0.620 5CCBt+ε1
(1)
CIBt=6.835 1+0.277 3CMBt+ε2
(2)
ABCt=0.494 8+0.834 2BOCt+ε3
(3)
由協(xié)整表達式可得ICBC與CCB的協(xié)整向量為(1,-0.620 5),即交易中每單位工商銀行頭寸,對應0.620 5單位的建設銀行股票反向頭寸。同理,每單位興業(yè)銀行股對應0.277 3的招商銀行反向頭寸,每單位農業(yè)銀行對應0.834 2中國銀行股票反向頭寸。
通過協(xié)整方程進一步將殘差項進行ADF檢驗:ICBC和CCB與ABC和BOC之間的股價時間序列順序是協(xié)整的,且第3對的協(xié)整性更好,詳見表2。
表2 殘差項單位根檢驗結果(置信水平5%)
交易閾值很低時,交易頻次增加,使得每次交易利潤薄且產生額外交易費用;閾值過高時,雖然單筆交易利潤較高,但滿足交易條件的次數減小,放棄了許多微小波動下的利潤。因此,合適的交易閾值應該對這兩方面作出良好的平衡[9]。將{εt}標準化得標準差σ=1,均值為0的Z-score序列,具體如圖2所示。
圖2 標準化Z-score走勢圖
以最終收益作為目標函數,通過全局搜索的方法找出合適的交易閾值使得最終受益最大,其中目標函數的表達式為:
(4)
其中R表示累計收益,PiAC、PiBC分別表示A、B股的平倉價,PiAO、PiBO表示A、B股的建倉價,k為股票對A、B的協(xié)整匹配數量關系,TFi為每次交易手續(xù)費,假設上下閾值關于水平的0軸對稱,用工商銀行與建設銀行為例:設置第一個交易日不持倉,當Z-score小于下閾值時建立ICBC-0.626 5CCB的投資組合,即做多1單位的工商銀行股,做空0.626 5的建設銀行股票,當Z-score上穿0時平倉;同理,當Z-score大于上閾值時,建立0.626 5CCB-ICBC的投資組合,Z-score下穿0時平倉;設置雙向交易費為0.05%,向外穿過止損閾值時平倉止損。
設置上、下閾值搜索范圍為[0.5,2.5]、[-2.5,-0.5],上下止損線的范圍分別為[2.5,3.0]、[-2.5,-3.0],搜索步長0.01,每次搜索通過循環(huán)去遍歷期間內所有交易,選擇使R最大化的作為交易閾值。結果表明工商銀行與建設銀行的最優(yōu)閾值為+/-0.57,農業(yè)銀行與中國銀行配對最優(yōu)閾值為+/-0.85,兩對股票的最優(yōu)止損點位均為+/-3.0??梢娮顑?yōu)的固定交易位置處于區(qū)間某一位置,而只要εt的平穩(wěn)性不被打破,越寬的止損位將獲得更多的收益。累計收益曲線如圖3所示,橫坐標為交易日,縱坐標為累計收益。可見累計收益曲線在大部分時間內穩(wěn)定增長,具體如表3所示。
圖3 累計收益曲線(ABC與BOC)
表3 固定參數法的交易統(tǒng)計
將固定參數法的值作為基準,當交易頻率變高時,交易閾值向外偏移,反之向0靠近。通過區(qū)間內搜索的方法,以夏普比率為目標函數,設置交易閾值內外偏移速率區(qū)間為[0.000 1,0.200 0],步長每次0.001。結果表明ICBC與CCB的配對資產中,若交易日不交易,則上下閾值均向0靠近0.002 6,如交易日內完成交易,則向外擴散0.14;在ABC與BOC資產對中,交易日內無交易,則向內各偏移0.002 6,若發(fā)生交易,上下閾值各向外偏斜0.15。兩組配對資產總體偏移速率相近。
詳細交易與動態(tài)閾值如見表4與圖4,可見勝率與夏普比相比固定參數法得到了一定程度的提升。
(a)ICBC與CCB
(b)ABC與BOC
表4 自適應交易法的交易統(tǒng)計
本文分析了多只銀行股的歷史交易數據,通過協(xié)整的方法選取了配對標的,通過搜索最優(yōu)的方法確定了最優(yōu)的交易參數,對策略模式進行了回測,得到了較為可觀的收益,最后使用偏移速率交易閾值進行動態(tài)優(yōu)化,提升了整個交易過程中的夏普比率。