DE-反轉alpha策略的方法

　　Alpha策略的思想就是通過股指期貨對沖投資組合的系統(tǒng)性風險Beta，鎖定超額收益Alpha。通過運用本文所述的反轉策略，做多表現(xiàn)優(yōu)于滬深300指數(shù)的股票，同時做空與股票市值相當?shù)墓芍钙谪浐霞s，規(guī)避了市場的系統(tǒng)風險，同時可以獲得比較顯著的絕對收益。

　　以往的研究有將股票收益率離散度以及過去某段時間內(nèi)股票的累計收益率等作為反轉的衡量標準。區(qū)別于先前的研究，本文引入傳統(tǒng)技術分析中的RSI指標，用以衡量反轉程度。即，首先計算過去一段時間內(nèi)，股票的收益率與滬深300指數(shù)收益率差值的累計值，之后計算上述累計值的RSI值并將其標準化。標準化的方法是計算當前RSI與過去一段時間內(nèi)RSI均值的差值，之后除以RSI的標準差。在計算出所有樣本的反轉值之后，將其由低到高進行排列，選取前n個樣本作為入選的股票。

　　由于涉及到反轉計算中的時間窗口長度、RSI參數(shù)、組合持有期等多個參數(shù)，為了使得持有期內(nèi)，股票相對于大盤的超額收益最大化，本文運用了人工智能領域的差分進化算法（DE）對參數(shù)進行優(yōu)化。

　　差分進化算法是基于群體智能理論的優(yōu)化算法，通過群體內(nèi)個體間的合作與競爭產(chǎn)生的群體智能指導優(yōu)化搜索。但相比于遺傳算法，差分進化算法保留了基于種群的全局搜索策略，采用實數(shù)編碼基于差分的簡單變異操作和一對一的競爭生存策略，降低了遺傳操作的復雜性。同時，差分進化算法特有的記憶能力使其可以動態(tài)跟蹤當前的搜索情況，以調(diào)整其搜索策略，具有較強的全局收斂能力和魯棒性，且不需要借助問題的特征信息，適于求解一些利用常規(guī)的數(shù)學規(guī)劃方法所無法求解的復雜環(huán)境中的優(yōu)化問題。

　　數(shù)據(jù)和結果

　　本文所選用的樣本為2007年10月26日至2010年9月10日期間的滬深股市的所有A股股票的周成交價。首先設定股票的持有期，以持有期內(nèi)股票投資組合相對股指的平均累積超額收益率為目標函數(shù)，依據(jù)前文所述的差分進化算法，對時間窗口長度、RSI參數(shù)、組合持有期等多個參數(shù)進行優(yōu)化。

　　基于上述反轉策略的超額收益在樣本期內(nèi)取得了較為穩(wěn)健的增長，截至7月30日，累計收益率達到了109.63%，而同期滬深300指數(shù)則下跌39.75%。并且在樣本期間，股票市場經(jīng)歷了牛市、熊市和振蕩市不同階段，而該策略下的收益率曲線回撤較小，表現(xiàn)出良好的適應性。接下來，本文將以實例進一步驗證該策略的有效性。

　　實證分析

　　本部分將以具體實例介紹如何應用反轉策略實施alpha套利。在7月30日，基于上述反轉策略選，選出一定數(shù)量的股票，并通過一定基本面分析之后，確定alpha策略現(xiàn)貨的構造組合�？紤]到資金規(guī)模以及現(xiàn)貨持有期，為了避免期貨合約移倉，在空頭部分做空1筆期指合約IF1012，同時，根據(jù)空頭部分市值的大小，賦予現(xiàn)貨構造中的每只股票以相同的比重，進而確定每只股票的持有筆數(shù)。可以看出，基于上述反轉策略alpha套利自構建以來，其收益取得了較為穩(wěn)健的增長。

　　小結

　　作為一次嘗試，本文將計算機科學領域的知識應用到股指期貨的產(chǎn)品設計中，并嘗試以量化分析的手段去解決問題，從實證的結果來看，這是一次有益的嘗試。

　　本文僅代表作者本人觀點，與無關。站對文中陳述、觀點判斷保持中立，不對所包含內(nèi)容的準確性、可靠性或完整性提供任何明示或暗示的保證。請讀者僅作參考，并請自行承擔全部責任。