概述

本策略通过结合123逆转策略和线性回归截距策略,实现多因子驱动的组合交易策略。123逆转策略判断最近两个交易日的价格关系,结合Stoch指标判断逆转信号。线性回归截距策略则利用线性回归分析判断价格与趋势线的关系,产生交易信号。两种策略相互验证,可有效过滤假信号。

策略原理

123逆转策略

该策略基于以下原理:

1. 如果最近两个交易日的收盘价关系为今日收盘价高于昨日,且Stoch快线低于慢线,认为存在看涨反转信号

2. 如果最近两个交易日的收盘价关系为今日收盘价低于昨日,且Stoch快线高于慢线,认为存在看跌反转信号

判断规则如下:

• 如果今日收盘价>昨日收盘价 且 Stoch快线<Stoch慢线 且 Stoch快线>设置参数,生成买入信号

• 如果今日收盘价<昨日收盘价 且 Stoch快线>Stoch慢线 且 Stoch快线<设置参数,生成卖出信号

该策略需要设置Stoch指标参数,包括:计算Stoch的K线周期Length、Stoch快线平滑周期KSmoothing、Stoch慢线平滑周期DLength、Stoch快线判断阈值Level。

线性回归截距策略

该策略基于线性回归分析,判断价格与线性回归趋势线的关系,其判断规则如下:

• 如果收盘价大于线性回归截距,产生买入信号

• 如果收盘价小于线性回归截距,产生卖出信号

该策略需要设置线性回归周期LengthLRI,以及线性回归输入数据源xSeria。

组合策略

该组合策略需要同时满足123逆转策略和线性回归截距策略的买入/卖出信号,才会生成实际的交易指令,从而有效滤除假信号,提高交易效果。

优势分析

该策略具有以下优势:

1. 多因子驱动,有效滤除假信号,提高信号质量

结合两种不同类型的策略,必须两种策略同时产生信号,才会实际下单。这种多因子验证机制,可以过滤掉某一策略偶尔产生的错误信号,减少不必要的交易,有效提升信号质量。

2. 实时监测价格与趋势的关系,避免被套牢

线性回归截距能够实时反映价格与趋势线的关系,如果价格已经严重偏离趋势,及时提示策略调整仓位方向。这样可以及时止损、避免被套牢在历史趋势中。

3. 兼顾趋势和反转交易机会

线性回归策略更擅长趋势买卖点识别。而123逆转策略则专注反转点识别。两种策略可以很好结合趋势交易和反转交易的优势。

4. 策略参数可自定义优化组合

两种策略都提供一定参数进行自定义,可以针对不同品种、不同趋势进行参数优化,优化组合策略的效果。

风险分析

该策略也存在以下风险:

1. 多因子驱动可能错过部分机会

必须满足两种策略的交易信号,会错过仅依靠单一策略就可以获利的部分机会。如果某一策略效果弱化,会拖累整体交易效果。

2. 线性回归有滞后性

线性回归需要一定历史数据进行计算,不能对突发事件做出实时反应,存在一定滞后性。如果价格发生大幅跳空,线性回归趋势线需要一定时间调整,这段时间可能会产生错误信号。

3. 需要合理参数优化

两种策略都需要选择合适的参数,对某些品种可能需要独立调整参数。如果参数选择不当,会大打折扣对策略效果。

对应风险可以通过以下方法降低:

1. 适当放宽组合信号触发条件,防止错失过多机会

2. 结合趋势指标等替代线性回归,获取更实时的趋势判断

3. 借助机器学习等方法辅助参数优化,提升参数选择效果

优化方向

该策略可以从以下方面进一步优化:

1. 利用机器学习方法进行参数优化

可以收集历史数据,设计参数优化目标,使用机器学习算法比如遗传算法、贝叶斯优化等搜索最佳参数组合。

2. 增加止损机制

可以结合ATR、趋势指标等设定止损规则,以控制单笔交易最大损失。

3. 优化入市出市逻辑

可以在交易信号基础上加入例如均线过滤、布林带判断等入市出市的辅助条件,降低调整仓位的频率,避免被套。

4. 结合 sentiments analysis

利用自然语言处理技术判断市场参与者情绪,辅助交易决策。

5. 添加机器学习预测模块

使用LSTM、GRU等深度学习模型对价格进行预测,作为策略决策的重要参考依据。

总结

本策略通过组合123逆转策略和线性回归截距策略,实现多因子驱动的量化交易,验证机制可以有效过滤假信号,兼顾捕捉反转和趋势交易机会。但策略也存在一定滞后性风险,需要关注参数优化并进行风控机制扩展,进一步提升策略稳定性。结合机器学习等技术进行参数优化和特征扩展,是该策略值得探索的进一步优化方向。