胡天寒

[摘要]隨著國(guó)內(nèi)外期貨市場(chǎng)發(fā)展，量化交易越來(lái)越成為市場(chǎng)操作的主流。為了繁榮期貨交易市場(chǎng)，易于期貨市場(chǎng)的價(jià)格發(fā)現(xiàn)功能，文章從股票經(jīng)典K線交易入手，提煉了多種見(jiàn)頂見(jiàn)底的形態(tài)特征，并對(duì)期貨螺紋鋼相關(guān)參數(shù)進(jìn)行變換，形成支撐云和壓力云數(shù)學(xué)形態(tài)結(jié)構(gòu)，并對(duì)其進(jìn)行特征提取，存儲(chǔ)進(jìn)專家系統(tǒng)，在支撐云和壓力云形態(tài)下，采用多周期數(shù)據(jù)調(diào)用處理，實(shí)現(xiàn)了波浪理論下的自動(dòng)量化交易系統(tǒng)（MMQTS）。實(shí)證研究證明：模型預(yù)測(cè)準(zhǔn)確率高，回撤比較小，為投資決策提供了重要參考，可廣泛應(yīng)用于期貨市場(chǎng)。

[關(guān)鍵詞]形態(tài)特征；量化交易；支撐云；壓力云

[DOI]1013939/jcnkizgsc201901019

1引言

目前為止國(guó)外量化投資基金管理的資金量已經(jīng)遠(yuǎn)超傳統(tǒng)基金。國(guó)內(nèi)量化投資才開(kāi)始起步， 隨著我國(guó)金融衍生品市場(chǎng)的建立， 量化投資的機(jī)構(gòu)將在我國(guó)逐步發(fā)展壯大起來(lái)，與之相關(guān)的投資理論和投資策略將會(huì)是未來(lái)研究的熱點(diǎn)之一。量化投資的關(guān)鍵主要在于交易模型選擇上面，國(guó)內(nèi)外目前量化投資交易模型主要集中在以下幾種理論和模型：

國(guó)外FAMA提出了價(jià)格發(fā)現(xiàn)有效性及有效性強(qiáng)弱市場(chǎng)概念[1]， ANGELOS認(rèn)為基于時(shí)間序列的預(yù)測(cè)模型適用于股指期貨的價(jià)格預(yù)測(cè)。[2]國(guó)內(nèi)的有量化投資_若干金融衍生品的定價(jià)模型及投資策略研究， [3]基于三角形態(tài)走勢(shì)的期貨價(jià)格技術(shù)分析，[4]基于模糊粒化的改進(jìn)混合神經(jīng)網(wǎng)絡(luò)股指期貨價(jià)格區(qū)間預(yù)測(cè)。 [5]

這些量化模型主要用于價(jià)格發(fā)現(xiàn)和衍生產(chǎn)品的定價(jià)，這些系統(tǒng)取得了較大的成功，但也存在一些實(shí)際問(wèn)題：①由于學(xué)習(xí)和回歸方法需要對(duì)歷史數(shù)據(jù)引用，買入賣出決策時(shí)機(jī)往往出現(xiàn)滯后，開(kāi)倉(cāng)點(diǎn)位也滯后；②期貨市場(chǎng)存在著明顯的波浪理論結(jié)構(gòu)，特別是在波浪轉(zhuǎn)折處，震蕩幅度大，一般交易系統(tǒng)為了保證開(kāi)倉(cāng)正確率，沒(méi)有實(shí)現(xiàn)波浪理論；③智能化程度不高，沒(méi)有充分考慮數(shù)據(jù)間的時(shí)間關(guān)系。

針對(duì)以上問(wèn)題，文章提出了一種融合頂和底部的支撐云和壓力形態(tài)特征云模型，并在此基礎(chǔ)上對(duì)多周期數(shù)據(jù)特征提取，實(shí)現(xiàn)了波浪理論下形態(tài)特征量化系統(tǒng)（MMQTS），見(jiàn)圖1。

2MMQTS系統(tǒng)結(jié)構(gòu)

在MMQTS系統(tǒng)結(jié)構(gòu)中主要包含：數(shù)據(jù)采集、專家系統(tǒng)、人機(jī)交互、賬戶交易系統(tǒng)四個(gè)部分。用戶可以先根據(jù)金融交易系統(tǒng)的數(shù)據(jù)形態(tài)，例如K線數(shù)目、高度、上下影線，組合幾何結(jié)構(gòu)、比例等生成相應(yīng)的知識(shí)規(guī)則。然后通過(guò)人機(jī)界面將相關(guān)的知識(shí)規(guī)則存放在知識(shí)庫(kù)中。

21人機(jī)接口

為期貨交易人員提供可視化界面，使人機(jī)交互高效簡(jiǎn)明扼要。

22專家系統(tǒng)

主要是由規(guī)則庫(kù)、推理機(jī)、學(xué)習(xí)模塊、模式提取、數(shù)據(jù)庫(kù)組成。在系統(tǒng)運(yùn)行中，模式提取模塊是專家系統(tǒng)的邏輯推理部分，是專家系統(tǒng)的核心。根據(jù)采集模塊得到的交易數(shù)據(jù)和數(shù)據(jù)庫(kù)中的歷史數(shù)據(jù)提取相關(guān)的交易數(shù)據(jù)特征，以及規(guī)則庫(kù)中的相關(guān)交易規(guī)則進(jìn)行推理，判斷支撐云是處于頂部還是底部，做出交易操作策略。規(guī)則庫(kù)/數(shù)據(jù)庫(kù)管理模塊，對(duì)于規(guī)則庫(kù)/數(shù)據(jù)庫(kù)進(jìn)行管理和維護(hù)，并對(duì)知識(shí)規(guī)則進(jìn)行推理解釋和顯示。學(xué)習(xí)模塊根據(jù)網(wǎng)絡(luò)當(dāng)前狀況不斷添加修正規(guī)則庫(kù)中的規(guī)則。

23數(shù)據(jù)采集

能讀取數(shù)據(jù)包的內(nèi)容，能根據(jù)規(guī)則對(duì)數(shù)據(jù)包進(jìn)行過(guò)濾，安裝期貨交易數(shù)據(jù)分類不同數(shù)據(jù)包。例如交易指令、還是具體交易數(shù)據(jù)、期貨價(jià)格數(shù)據(jù)等。

24賬戶交易系統(tǒng)

發(fā)送接收交易指令和結(jié)果信息。

3支撐云和壓力云、頂部和底部形態(tài)特征的描述和應(yīng)用

31支持云和壓力云數(shù)學(xué)形態(tài)的生成

通過(guò)23數(shù)據(jù)采集模塊，從互聯(lián)網(wǎng)得到的原始的期貨原始K線交易數(shù)據(jù)間圖2。N1是短周期參數(shù)，N2是長(zhǎng)周期參數(shù)，Lowest是周期內(nèi)的極小值，Highest是周期內(nèi)的極大值，求周期內(nèi)的極值點(diǎn)。

fShortMiddle=（Highest（High，N1）+Lowest（Low，N1））/2（式1）

fLongMiddle=（Highest（High，N2）+NthLower（Low，N2））/2（式2）

SpanA=（fShortMiddle+fLongMiddle）/2（式3）

SpanB=（Highest（High，N3）+NthLower（Low，N3））/2（式4）

當(dāng)spanA大于spanB時(shí)，表現(xiàn)是白色支撐云；當(dāng)spanA小于spanB時(shí)，表現(xiàn)的是綠色壓力云。其中白色的柱狀云團(tuán)是對(duì)期貨價(jià)格支持的支撐，而綠色的柱狀云團(tuán)是對(duì)期貨價(jià)格承壓。有了支撐云和壓力云概念后，對(duì)單時(shí)刻t的期貨價(jià)格研究，從二維結(jié)構(gòu)進(jìn)入?yún)^(qū)塊的研究。形成了區(qū)塊研究方法。從一維進(jìn)入二維空間，也可以將支撐云和壓力云看成圖像，用圖像處理的方法智能化處理。式3和式4等到就是支撐云高點(diǎn)和地點(diǎn)。1、2是中間結(jié)果。

32對(duì)云層的濾波，去除噪聲

從單個(gè)的t時(shí)刻單根蠟燭線研究，進(jìn)入?yún)^(qū)域塊研究后，區(qū)域塊的長(zhǎng)度、高度特征就顯得特別重要，對(duì)于極小的區(qū)塊產(chǎn)生的噪聲影響必須過(guò)濾掉，這樣才能對(duì)趨勢(shì)行情上漲下跌做出合理的響應(yīng)。圖4中的原始支撐云塊數(shù)據(jù)被過(guò)濾成圖5數(shù)據(jù)，我們就可以將這個(gè)下跌趨勢(shì)當(dāng)作一個(gè)區(qū)塊處理，這樣排除了細(xì)小噪聲的干擾，對(duì)買賣決策做出更合理響應(yīng)。

33支撐云和壓力云的數(shù)據(jù)特征抽取

通過(guò)轉(zhuǎn)換我們對(duì)單個(gè)時(shí)刻的蠟燭線的數(shù)據(jù)處理，變化到以同類云層的區(qū)塊數(shù)據(jù)特征的定義和抽取上來(lái)。常用的基本統(tǒng)計(jì)特征， 如周長(zhǎng)、面積、均值等區(qū)域描繪子， 以及厚度、高度和形態(tài)等描繪子。

34頂部和底部K線形態(tài)的數(shù)學(xué)描述

圖6是期貨交易K線頂部和底部形態(tài)的組合，主要表現(xiàn)形式是單針見(jiàn)頂和見(jiàn)底，平頂和平底。我們通過(guò)特征提取以知識(shí)規(guī)則方式存儲(chǔ)在規(guī)則庫(kù)中，當(dāng)接收到交易數(shù)據(jù)時(shí)可以采用匹配的方法確定是不是支撐云的頂部或者壓力云的底部，K線延遲小，開(kāi)倉(cāng)或者平倉(cāng)收益率大。

35基于支撐云和壓力云的波浪理論實(shí)現(xiàn)

（1）艾略特波浪形態(tài)特征描述。我們?cè)诠善逼谪浗灰字?，如果抓住?、3、5浪上升，2、4浪短暫調(diào)整，ABC快速殺跌的大周期行情，那么將會(huì)取得可觀的收益。不過(guò)波浪理論應(yīng)用最難的就是主浪和子浪難以分辨清楚，存在千人數(shù)浪千種波浪結(jié)構(gòu)。本系統(tǒng)首先用大級(jí)別周期（日線）確定波浪周期起點(diǎn)，見(jiàn)圖7黃線三角形是代表波浪結(jié)構(gòu)上升周期開(kāi)始。

黃色三角形計(jì)算方式如下，SMA（X，N，M），求X的N日移動(dòng)平均，M為權(quán)重：

var1：=SMA（（CLOSE-lowest（LOW，27））/（highest（HIGH，27）-lowest（LOW，27））×100，3，1）（式6）

K：=SMA（var1，3，1）（式7）

D：=SMA（K，3，1） （式8）

如果K上穿D，并且K<40，那么就是波浪上漲周期起始點(diǎn)，就是黃色三角形K線處。

（2）波浪形態(tài)特征應(yīng)用。在波浪理論中，最主要的是第一浪的起始確認(rèn)，這里是整個(gè)上升趨勢(shì)的起點(diǎn)，把握好起點(diǎn)，也就掌握了一輪上漲周期的開(kāi)始。第二個(gè)關(guān)鍵點(diǎn)是5浪頂點(diǎn)轉(zhuǎn)換成A浪殺跌，ABC浪殺跌是一輪比較大的殺跌之勢(shì)，往往和135浪上升趨勢(shì)獲利程度差不多。5浪頂點(diǎn)的最高點(diǎn)是很難把握的，但是A浪殺跌趨勢(shì)也是有跡可循的。一浪起點(diǎn)特征如果單純靠單周期特征來(lái)定義判斷，往往就會(huì)出現(xiàn)多次誤報(bào)情況，比較難以確定。

本系統(tǒng)在15分鐘和30分鐘周期中調(diào)用日線級(jí)別周期，得到上漲波浪起始點(diǎn)后，以黃金分割、斐波拉切數(shù)列計(jì)算1浪、3浪、5浪高度。第五浪往往比較復(fù)雜，往往是比較長(zhǎng)的浪。

4實(shí)證分析

下面是MMQTS系統(tǒng)在2017年8月1日到2018年4月22日期間的交易成果表1和表2，從表中我們可以看出一手螺紋鋼收益率還是不錯(cuò)的。在圖9和11中，可以清晰看到15分鐘和30分鐘周期中，系統(tǒng)很好抓住了五浪上升三浪結(jié)構(gòu)行情。從圖10和圖12中，可以看出不管螺紋鋼交易行情上漲還是下跌，但是收益率曲線一直是波段性上升，一直走高，說(shuō)明獲利逐步走高。從表1和表2數(shù)據(jù)，我們可以看出交易勝率一直是50%以上，交易次數(shù)在75—150，說(shuō)明交易次數(shù)適中，沒(méi)有頻繁交易，沒(méi)有付出較多手續(xù)成本，特別是在支撐云頂部和壓力云底部，有效把握了頂部和底部特征形態(tài)，獲得較高利潤(rùn)。

5結(jié)論

基于形態(tài)特征的量化交易系統(tǒng)（MMQTS ）是人工智能和金融交易系統(tǒng)相交叉的學(xué)科研究結(jié)果。通過(guò)系統(tǒng)對(duì)螺紋鋼期貨價(jià)格處理預(yù)測(cè)，我們可以得出以下結(jié)論。

（1）對(duì)于交易數(shù)據(jù)頂與底的形態(tài)特征，基于知識(shí)規(guī)則庫(kù)的專家系統(tǒng)能有效實(shí)時(shí)處理實(shí)現(xiàn)自動(dòng)量化交易。

（2）基于支撐云和壓力云的形態(tài)特征，系統(tǒng)能較好識(shí)別判斷出五浪上升三浪殺跌大的波浪結(jié)構(gòu)，從而獲得較高收益率。

（3）基于形態(tài)特征的分析方法是期貨行情預(yù)測(cè)重要方法，可以推廣應(yīng)用于其他期貨品種的行情預(yù)測(cè)，為期貨價(jià)格判斷決策提供助力。

參考文獻(xiàn)：

[1] FAMA，E F. Efficient capital markets： a review of theory and empirical work[J].Journal of Finance，1970，25（2） ：383 - 417.

[2] ANGELOS K.Modeling regime transition in stock index futures markets and forecasting implications[J].Journal of Forecasting， 2008（27）.

[3] 劉帥，量化投資——若干金融衍生品的定價(jià)模型及投資策略研究[D].上海：上海大學(xué)，2016.

[4] 劉金娥，基于三角形態(tài)走勢(shì)的期貨價(jià)格技術(shù)分析[J].廈門理工大學(xué)學(xué)報(bào)，2016（6）：24.

[5] 林焰，楊建輝，基于模糊?；母倪M(jìn)混合神經(jīng)網(wǎng)絡(luò)股指期貨價(jià)格區(qū)間預(yù)測(cè)[J].南方金融，2017（11）.