• 内容提要

回顾上一期报告《股指期货量化展期与择时对冲》中基于‘中低频基本面因子+量价指标’的择时模型，非线性的boosting和bagging算法相较于传统多因子模型在特征选择和构建方面有显著优势，择时对冲的胜率也提高到65%以上。通过进一步分析模型中各大类因子对于因变量的贡献度，我们发现相较于由宏观、估值和资金指标等组成的中低频因子，由日度平滑数据构成的市场行情指标在因子重要性排名中总体处于较低水平，并且在单因子测试当中预测正确率也不如基本面因子。尽管这些指标在数量上并不占多数，但是我们在因子构建过程中已经将时间序列上的滞后多阶差分值转置为新的横截面因子。我们推测，基于决策树的非线性模型在构建过程中丢失了部分因子间存在的线性关系，并因此错过某些短线的交易机会。本文旨在讨论如何将线性关系融入到非线性模型中，从而提高单边做多的择时收益。

• 模型介绍

我们将原有的Adaboost择时模型由周频推广到日频信号。为了弥补高频数据对于中长线基本面因子的弱化作用并进一步提升模型的预测能力，我们考虑优化部分因子，把更为有效的关系加入到模型，同时考虑是否对预测结果有提升作用并具有可解释性。技术面指标作为原始素材显然符合这方面的要求。由于线性变换后的因子共用了某些变量作为动态参考系，在建模过程中需要考虑多重共线性，而非线性特征选择的模型则可以有效地避免这一类问题。

• 实证分析

加入线性化因子的boosting模型在保持回撤基本不变的情况下对比基准策略，以IF合约为标的的择时收益提升近20%，IC合约为标的的择时收益提升34%。证实线性化因子与非线性模型结合使用的有效性。

股指单边做多策略：非线性择时模型中的因子线性优化.pdf