第三章金融数据挖掘-mipaper.pdfVIP

《量化交易红宝书》第三章 第三章 金融数据挖掘 3.1 混沌与随机中何来规律 金融世界的混沌与随机的状态与微观粒子的运动状态有极大的相似性。因此 研究证券、衍生品市场时通常可以用研究微观物理的方法与工具。这也是为什么 华尔街上量化岗位招聘时一般要求应聘者有物理、数学、计算机专业的相关背景。 在本书的声明四中，笔者已经提到，并非华尔街不看技术指标和形态，成熟 资本市场也有很多成功的交易员看技术指标和形态在市场中长期盈利，只不过除 了技术指标与形态，主观交易员还看其他的一些因素。从事量化工作的研究人员 或交易员如果只用技术指标或形态作为算法引擎并对模型加以优化势必会导致 模型在未来变化市场中钝化或者失效。那么我们怎么从复杂的，瞬息万变的，随 机的金融市场中总结出规律，寻找到机会呢？我们先来做一个假设： 假设一个人在全球混沌、随机的金融市场里，在任一随机的时间点，买（或 卖空）任一金融标的，并持有任意随机时间然后平仓，不考虑手续费因素，如果 这个人反复如此足够多次，我们应该可以得到他的盈亏应该是如下图的正态分布： 图3.1 随机交易的盈亏分布 （不考虑交易成本） 从图3.1 上可以看到，一次随机的交易要亏损掉很多钱的概率是很低的，一 次随机的交易要赚很多钱也是很难的，大部分的盈亏都分布在零的周围。 也就 是说，长期随机的交易，即便不看任何跟市场有关的新闻，基本面因素，指标等， All Rights Reserved 《量化交易红宝书》第三章 漫无目的得交易，只要参与足够多次，也可以获得趋近于零的交易盈亏，算上交 易所和中间商赚去的佣金，长期随机交易的交易盈亏的期望值应是负数，这也就 是为什么市场上大部分参与者特别是散户长期累积下来很难获利的原因。 如果再算上贪婪恐慌的散户心理，我们看看散户的交易盈亏分布又是怎样： 图3.2 散户实际交易盈亏分布（不考虑交易成本） 从图3.2 上可以看到，大部分散户在真正行情到来前多半会有这样的心态： “大部分人都是亏欠的，我已经赚了10%，不错了！”于是平仓了结，极大的行 情都是这样错过的，这样， 正态分布的右边也就是正数部分并没有完全收入囊 中，而只是一部分。同时在市场波动的过程中，当亏损接近10%，20%，30%，直 到亏损超过一半时，等待行情回调解套而不是严格止损的思想会让交易者把正态 分布左边也就是负数的部分全数吞进。在这样的心态下，交易者的交易盈亏分布 相当于把正态分布左移，长期在市场中的表现自然连漫无目的随机交易都不如， 再算上交易所和中间商收取的佣金，亏损就更为严重。 而这本书，想要和读者探讨的，就是如何把交易盈亏的分布，向坐标轴右移。 用通俗的话说就是，止住亏损，让利润奔跑！ All Rights Reserved 《量化交易红宝书》第三章 图3.3 成熟交易者应有的交易盈亏分布（不考虑交易成本） 3.2 金融市场是正态分布的吗? 在具体讨论金融数据挖掘之前，我们先讨论一下金融市场本身的统计分布。 传统金融学理论在研究金融市场时会做很多假设，其中一个假设是金融资产和标 的的价格变化是布朗运动，也就是其收益率是正态分布的。上个世纪六十年代开 始萌芽的对冲基金行业给这样的一系列理论打上了一个问号。如果金融市场的随 机是完全正态分布的，那么长期投资的收益率应该是约等于市场长期融资成本的。 对冲基金这个行业的超额收益是从何而来呢？本书不讨论纯理论的概念，即便假 设金融市场真如传统金融理论描述的那样是正态分布的，我们要做的是从正态分 布中切割出非正态的条件分布出来，以此作为我们构建模型和策略的核心。举一 个例子，一只随机的股票未来一周的涨跌是很难预测的，我们姑且可以假设它是 随机或近似正态分布的，但是如果加一个条件，如高管增持，从数据统计中我们 可以发现，以沪深两市股票为样本空间，从2006 年到2013 年，这七年的时间中， 一旦某一只个股出现高管增持这个事件，在未来一周的时间里，该股票持续上涨 的概率达67.3%。这是从随机的波动中找出的一个简单的条件分布，使得我们得 到一个大概率发生事件即条件概率P(未来一周股票上涨|高管增持)＝67.3%。当 然我们可以进一步对这个条件再切