金融大數據分析 巨量資料科學 交易策略建構 量化交易系統 動態槓桿控管
淺談金融特徵因子歷史回測-第二步
有提到單個特徵做為濾網所帶來的影響,那如果是多個特徵呢?應該要如何去檢視每個特徵之間搭配的情況呢?
上篇文章中,有提到單個特徵做為濾網所帶來的影響,那如果是多個特徵呢?應該要如何去檢視每個特徵之間搭配的情況呢?
首先我們用短中長多個不同週期均線去做搭配,收盤價站上不同的均線設定不同的特徵,來檢視一下,如果不同時間週期對於長期報酬率有何影響。
下圖就是依照不同週期MA去制定的特徵濾網,篩選過後的報酬率曲線圖,可以看到最好的是80MA(daily data)。
再來,除此之外,還想知道不同特徵之間的相互搭配,我們就可以直接透過多個特徵的分群去理解哪一些特徵的排列組合最有報酬率最高。
站上60MA | 站上70MA | 站上80MA | 累計報酬率 |
FALSE | FALSE | FALSE | 1.129 |
FALSE | FALSE | TRUE | 1.073 |
FALSE | TRUE | FALSE | 1.036 |
FALSE | TRUE | TRUE | 1.120 |
TRUE | FALSE | FALSE | 0.999 |
TRUE | FALSE | TRUE | 1.004 |
TRUE | TRUE | FALSE | 0.979 |
TRUE | TRUE | TRUE | 2.053 |
其中可以看到,0050其實是適合順勢交易的,如果站上多條均線之上的長期報酬最高,而如果都沒有站上的報酬率(1.129)會不及站上的(2.053)。
再用個股的主角2618去看呢?先看一下站上不同週期的報酬率。
可以看到該檔個股本身對均線是很敏感的,只要站上均線就要跌。
接著再把個特徵之間的搭配跑出來,就可以看到原來不是均線特徵沒用,而是站上均線根本不適合買進,所以未來再有投顧老師針對特定個股說:站上均線要買,這時候請小心了。
看到這張表,印證一句話,最高的報酬,是源自於市場的恐懼,逆勢該做起來了吧?
站上60MA | 站上70MA | 站上80MA | 累計報酬率 |
FALSE | FALSE | FALSE | 4.08 |
FALSE | FALSE | TRUE | 1.256 |
FALSE | TRUE | FALSE | 0.994 |
FALSE | TRUE | TRUE | 1.015 |
TRUE | FALSE | FALSE | 0.865 |
TRUE | FALSE | TRUE | 1.040 |
TRUE | TRUE | FALSE | 0.888 |
TRUE | TRUE | TRUE | 0.774 |
接著看一下4.08的權益曲線圖漲怎樣,我們將價格在三條均線之下的隔日報酬進行累計相乘,得到的結果為橘線,看起來是還可以,不過2020年的回檔太大了,不過就以均線的簡單特徵來說,已經很有意思了。
接著我們如果再加入不同種類的特徵呢?例如:突破、技術指標、基本面、籌碼面等資料。這樣就會產生無限量的特徵了,有興趣嗎?一起玩玩看吧