劉 輝，劉忠元，周偉杰

配對交易策略起源于美國的華爾街，是成熟資本市場的主流投資策略之一。該策略在美國股票市場一經(jīng)推出，便獲得了巨大成功。隨著國內(nèi)做空機制逐漸放松，基于統(tǒng)計套利的量化交易方式獲得快速發(fā)展與應(yīng)用。配對交易策略作為一種市場中性策略，其思想主要是指從市場上找出一對歷史價格走勢相近的標(biāo)的進行配對，當(dāng)配對標(biāo)的之間的價差偏離歷史均值時，做空價格較高的標(biāo)的，做多價格較低的標(biāo)的，當(dāng)價格回復(fù)到均值附近時，結(jié)束頭寸從而獲得利潤。

一、文獻綜述

關(guān)于配對交易，國外學(xué)者的研究已經(jīng)形成了一套成熟的理論體系。代表性的理論方法包括Gatev等[1]提出的最小距離法、Vidyamurthy[2]提出的協(xié)整分析法以及Elliott等[3]提出的隨機價差法。這些經(jīng)典理論的提出為配對交易策略的實現(xiàn)提供了理論基礎(chǔ)，其在金融市場上的實際應(yīng)用證明了配對交易策略的商業(yè)價值。

配對交易策略的相關(guān)研究主要包括配對標(biāo)的的選取和交易參數(shù)的設(shè)計兩個方面。在配對標(biāo)的選取方面，Gatev等[1]使用1962—2002年美國股票的日線收盤數(shù)據(jù)，通過最小距離法篩選出合適的配對股票組合。王春峰等[4]利用滬深300成分股2006—2009年的數(shù)據(jù)，對基于最小距離法的經(jīng)典配對交易策略進行了實證測算。在交易參數(shù)設(shè)計方面，Huck[5]將神經(jīng)網(wǎng)絡(luò)方法和多屬性決策理論相結(jié)合，使用神經(jīng)網(wǎng)絡(luò)技術(shù)對候選配對的價差進行預(yù)測，使用多屬性決策技術(shù)對候選股票進行排序；唐國強等[6]利用切比雪夫不等式和夏普比率構(gòu)建套利閾值統(tǒng)計量，研究了中國白糖期貨合約數(shù)據(jù)的最優(yōu)閾值以達到利潤最大化。近年來，一些學(xué)者對配對交易方法進行評估比較。Bogomolov[7]將距離法、協(xié)整法和隨機價差法應(yīng)用于澳大利亞證券交易所，發(fā)現(xiàn)這三種方法每年都能得到5%～12%的收益。

但相關(guān)研究集中于證券市場，且選取的交易數(shù)據(jù)大多為日線數(shù)據(jù)。隨著信息透明度和市場有效性的提高，傳統(tǒng)配對交易策略在國內(nèi)金融市場的收益變得越來越低。本文以國內(nèi)商品期貨市場為研究對象，通過O-U隨機過程與支持向量機預(yù)測價差的變化趨勢，構(gòu)建了一種新型的配對交易策略。選取CZCE菜粕與DCE豆粕期貨進行跨市套利，使用2015年9月8日至2017年9月8日的1分鐘高頻交易數(shù)據(jù)進行實證分析，研究表明，該新型配對交易策略在國內(nèi)期貨市場中具有可行性，其勝率和收益率明顯優(yōu)于傳統(tǒng)配對交易策略。

二、模型與方法

(一)協(xié)整分析法

自Engle和Granger[8]提出了金融時間序列的協(xié)整理論和誤差修正模型后，協(xié)整模型被廣泛應(yīng)用于時間序列建模。金融時間序列往往表現(xiàn)出非平穩(wěn)性，而協(xié)整理論的貢獻在于發(fā)現(xiàn)非平穩(wěn)時間序列之間的線性關(guān)系，并進行線性組合為平穩(wěn)序列。

本文采用EG兩步法驗證配對的兩個金融時間序列之間是否存在協(xié)整關(guān)系。首先，單位根(ADF)檢驗。確定兩個金融時間序列是否為同階單整，如果是同階單整，則進行最小二乘法(OLS)回歸，計算出殘差。然后，對殘差進行ADF檢驗。如果殘差平穩(wěn)，則認(rèn)為兩個金融時間序列之間存在協(xié)整關(guān)系，否則認(rèn)為兩者不存在協(xié)整關(guān)系。

(二)O-U模型

(1)

(三)支持向量機模型

支持向量機是由Vapnik等人提出的一種分類算法，其基本模型是構(gòu)建特征空間上的最大間隔線性分類器，通過尋求結(jié)構(gòu)化風(fēng)險最小來提高機器學(xué)習(xí)模型的泛化能力。線性分類器通過構(gòu)建最優(yōu)超平面將一組數(shù)據(jù)分為兩類，這個線性超平面的一般形式f(x)=wTx+b，wT為權(quán)重，b為閾值。為使分類超平面的幾何間隔達到最大值，可求解以下目標(biāo)函數(shù)的最優(yōu)化解。

(2)

通過拉格朗日對偶性轉(zhuǎn)化和SMO算法可求最優(yōu)解w*和b*。

(3)

(四)技術(shù)指標(biāo)

現(xiàn)有研究只考慮了兩種標(biāo)的之間的價差(SPREAD)因素，忽略了交易過程的其他交易信息，而這些信息也為配對交易提供有價值的信息。因此，本文考慮了除價差外的其他多種技術(shù)指標(biāo)差作為樣本特征，選取了算數(shù)移動平均(SMA)、加權(quán)移動平均(WMA)、相對強弱(RSI)和資金流量指數(shù)(MFI)等4個技術(shù)指標(biāo)。

在課堂上，教師可以利用虛擬現(xiàn)實技術(shù)設(shè)置包括導(dǎo)游講解技巧和流程、處理突發(fā)事件、滿足游客需求等任務(wù)的情景模擬，通過技能分解，幫助學(xué)生全方位感知自己的操作技能，提高課堂教學(xué)與實踐實訓(xùn)的相似度，讓學(xué)生在課堂上完成導(dǎo)游實戰(zhàn)模擬，培養(yǎng)智慧型導(dǎo)游服務(wù)人才，大大縮減了學(xué)生就業(yè)后的適應(yīng)時間，提高學(xué)生對于社會崗位的適應(yīng)能力。

(4)

(5)

式中，WMAt為標(biāo)的t時刻的WMA值，Wi為標(biāo)的i時刻的權(quán)重。

(6)

式中，RSIt為標(biāo)的t時刻的RSI值，RSt為標(biāo)的t時刻前n個時刻內(nèi)的漲跌幅均值比。

(7)

(五)構(gòu)建樣本特征和標(biāo)簽

首先，構(gòu)建價差特征模型。

(8)

(9)

其次，樣本過濾。通過比較前后價差的變化幅度，可判斷每次交易是否獲利，以達到劃分標(biāo)簽的目的。為了排除前后價差變化幅度微小不足以獲利的樣本，根據(jù)以下算法對樣本進行過濾。

(10)

(六)構(gòu)建SVM預(yù)測模型

選用LIBSVM軟件包訓(xùn)練數(shù)據(jù)，建立價差變化幅度預(yù)測模型。為了提高模型訓(xùn)練速度，避免原始數(shù)據(jù)中部分特征范圍過大而另一部分特征范圍過小，在建立訓(xùn)練模型之前需要對樣本特征規(guī)范化至[0,1]之間。模型參數(shù)s設(shè)置為“C-SVC”，核函數(shù)類型設(shè)為線性核函數(shù)，然后使用訓(xùn)練好的SVM模型對測試集進行預(yù)測。

(七)構(gòu)建交易信號

第一，開倉規(guī)則。選取1倍標(biāo)準(zhǔn)差作為開倉閾值，當(dāng)價差標(biāo)簽為“+1”且價差偏離價差均值超過1倍標(biāo)準(zhǔn)差時，則執(zhí)行開倉指令，即賣空相對被高估的標(biāo)的，買入相對被低估的標(biāo)的。

第二，平倉規(guī)則。開倉后當(dāng)價差回復(fù)到均值附近時，則進行平倉操作。在本文中該平倉閾值選取0.2倍標(biāo)準(zhǔn)差。此外，由于本文選取的是1分鐘期貨的高頻交易數(shù)據(jù)，不適合長期持有，因此設(shè)定當(dāng)開倉后3個交易日內(nèi)價差尚未到均值附近，則以第3個交易日的收盤價平倉頭寸。

第三，止損規(guī)則。開倉后當(dāng)價差繼續(xù)偏離時，為了避免價差出現(xiàn)極端偏離而導(dǎo)致?lián)p失，需要設(shè)定止損線。本文設(shè)定止損線為2倍標(biāo)準(zhǔn)差，即當(dāng)開倉后，價差繼續(xù)偏離達到2倍標(biāo)準(zhǔn)差時，則執(zhí)行平倉指令。

三、實證研究

(一)數(shù)據(jù)選取

菜粕的蛋白含量約36%，豆粕的蛋白含量約43%。這兩種飼料具備可替代性。正常情況下，菜粕和豆粕具有較為穩(wěn)定的價差，這使得CZCE菜粕與DCE豆粕的價格聯(lián)系更加緊密，為菜粕豆粕的跨市套利提供了可行性[10]。本文選取CZCE菜粕與DCE豆粕期貨1分鐘高頻交易數(shù)據(jù)進行實證研究，選取的時間區(qū)間為2015年9月8日至2017年9月8日，篩選出的樣本點共計181 720個。

(二)數(shù)據(jù)檢驗

1.相關(guān)性分析

由圖1可以直觀地看出CZCE菜粕與DCE豆粕收盤價呈現(xiàn)趨同走勢，兩者的相關(guān)系數(shù)達到0.938 2，說明兩者之間具有很高的線性相關(guān)關(guān)系。

CZCE菜粕與DCE豆粕收盤價的時間序列X，Y及其一階差分序列的檢驗結(jié)果(見表1)表明，原始收盤價序列的單位根檢驗p值遠大于0.000 1，接受原假設(shè)，即CZCE菜粕與DCE豆粕的時間序列為非平穩(wěn)序列。一階差分序列ADF檢驗結(jié)果表明，兩者的p值遠小于0.000 1，拒絕原假設(shè)，即一階差分序列都為平穩(wěn)序列。因此，CZCE菜粕與DCE豆粕1分鐘收盤價時間序列同為一階單整。

2.協(xié)整分析

根據(jù)CZCE菜粕與DCE豆粕1分鐘收盤價建立協(xié)整回歸方程，得到長期均衡關(guān)系X=0.881 3*

Y-189.642 8+resid(resid表示殘差項)。R2=0.880 3，表明該協(xié)整回歸模型與樣本數(shù)據(jù)的擬合度較高。對resid進行ADF檢驗結(jié)果(見表2)表明，殘差項不含有單位根，殘差序列為平穩(wěn)序列，該模型不存在偽回歸現(xiàn)象。因此，CZCE菜粕與DCE豆粕1分鐘收盤價之間存在協(xié)整關(guān)系。

(三)SVM預(yù)測結(jié)果分析

將CZCE菜粕與DCE豆粕181 720個樣本數(shù)據(jù)進行標(biāo)記篩選。標(biāo)簽“+1”與“-1”的樣本數(shù)據(jù)基本均衡(見表3)。將數(shù)據(jù)集按80%—20%劃分為訓(xùn)練集與測試集，其中訓(xùn)練集的時間跨度為2015年11月5日23時30分至2016年7月15日9時5分，測試集時間的跨度為2016年7月15日9時6分至2017年9月7日14時31分。

SVM模型預(yù)測結(jié)果如表4所示。TP/(TP+FP)表明該交易策略的勝率達到72.72%，TN/(TN+FP)表明該策略成功避免了95.60%的虧損交易。同時，預(yù)測虧損與預(yù)測盈利的個數(shù)分別為3 321與297，說明該模型為風(fēng)險厭惡型。同時，該模型錯過了1 463個交易獲利機會，產(chǎn)生了81個交易虧損機會，說明此模型寧愿錯過交易獲利機會，也要避免潛在的虧損交易。結(jié)合配對交易策略的交易信號，測試集中3 518個樣本點的套利時機如圖2所示。

表1 單位根檢驗

注：原假設(shè)*為序列非平穩(wěn)。

表2 殘差單位根檢驗

表3 樣本標(biāo)簽結(jié)構(gòu)

表4 SVM模型預(yù)測結(jié)果分析表

圖2 新型配對交易開平倉示意圖

(四)傳統(tǒng)與新型配對交易策略比較

結(jié)合配對交易策略的套利規(guī)則，分別對傳統(tǒng)與新型配對交易策略進行比較分析，模擬交易結(jié)果如表5所示。新型配對交易策略的勝率和收益率都大大優(yōu)于傳統(tǒng)配對交易策略，這說明本文描述的新型配對交易策略，提高了傳統(tǒng)配對交易策略的勝率和收益率。

表5 傳統(tǒng)與新型配對交易策略的對比表

四、結(jié)論

本文設(shè)計了一種基于O-U過程和SVM優(yōu)化的配對交易策略。以2015年9月8日至2017年9月8日時間段內(nèi)CZCE菜粕與DCE豆粕期貨1分鐘高頻交易數(shù)據(jù)為研究對象，檢驗了該配對交易策略的可行性。結(jié)果表明，引入SVM模型對傳統(tǒng)配對交易策略進行優(yōu)化，能較好地預(yù)測出價差變化趨勢，從而適度戰(zhàn)勝市場；新型配對交易策略的勝率明顯高于傳統(tǒng)配對交易策略，降低了配對交易的虧損風(fēng)險，使新型配對交易策略的獲利能力大大提升。新的模型為配對交易策略提供了新的思路，有助于改善傳統(tǒng)配對交易策略的收益現(xiàn)狀，提升配對交易策略的獲利能力。為獲取更好的交易表現(xiàn)，新模型仍需進一步地改進，例如在樣本特征方面可以引入更多優(yōu)異的技術(shù)指標(biāo)，或者對技術(shù)指標(biāo)做PCA分析；此外，在標(biāo)簽劃分標(biāo)準(zhǔn)方面采取的是單一標(biāo)準(zhǔn)，未來研究可以嘗試多種劃分標(biāo)準(zhǔn)。

參考文獻：

[1]GATEV E，GOETZMANN W N，ROUWENHORST K G．Pairs trading：performance of a relative-value arbitrage rule[J]．Review of financial studies，2006，19(3)：797-827．

[2]VIDYAMURTHY G．Pairs trading：quantitative methods and analysis[M]．Hoboken：Wiley，2004：35-47．

[3]ELLIOTT R J，VANDER H J，MALCOLM W P．Pairs trading[J]．Quantitative finance，2005，5(3)：271-276．

[4]王春峰，林碧波，朱琳．基于股票價格差異的配對交易策略[J]．北京理工大學(xué)學(xué)報(社會科學(xué)版)，2013，15(1)：71-75．

[5]HUCK N．Pairs selection and outranking：an application to the S&P 100 index[J]．European journal of operational research，2009，196(2)：819-825．

[6]唐國強，高偉，覃良文，等．基于切比雪夫不等式的白糖高頻數(shù)據(jù)統(tǒng)計套利[J]．統(tǒng)計與決策，2016，445(1)：87-90．

[7]BOGOMOLOV T．Pairs trading in the land down under[M]．Los Angeles：Social Science Electronic Publishing，2010：1-22．

[8]ENGLE R F，GRANGER C W J．Co-integration and error-correction：representation，estimation and testing[J]．Econometrica，1987，55(2)：251-276．

[9]黃曉薇，余湄，皮道羿．基于O-U過程的配對交易與市場效率研究[J]．管理評論，2015，27(1)：3-11．

[10]周偉杰，顧榮寶．股指期貨和現(xiàn)貨的線性、非線性Granger因果關(guān)系分析——基于1分鐘高頻數(shù)據(jù)的實證研究[J]．常州大學(xué)學(xué)報(社會科學(xué)版)，2015，16(4)：45-51．