基于布林通道的量化投资策略研究

刘宗兴

摘要：随着金融市场信息、数据的增长，以及大数据、人工智能的发展，量化投资迎来新的发展机遇。本文基于2015年-2019年国内多品种商品期货，在布林通道量化投资策略的基础上，采用遗传算法对策略参数进行优化，通过计算机进行策略回测检验，基于胜率、年化收益率、最大回撤、夏普比率等常规检验指标对比分析改进前后的结果，发现原始的布林通道量化投资策略在我国商品期货市场表现较差，而优化改进后的策略具有较高的收益和较高的稳定性，建议投资者在我国市场上开发应用量化投资策略，要结合市场不断地进行改进、优化。

关键词：量化投资  布林通道  商品期货

一、引言

在我国，大多数投资者都是依靠传统的投资方法来进行投资决策，甚至很多投资者依靠自身经验来进行投资决策。其中包括基本面分析、技术分析以及资金流分析等几种方法，传统的投资更加注重人为的分析和投资者的感觉，而人在投资决策过程中存在着认知偏差等。除了传统投资外还有一种投资是量化投资，量化投资是通过分析数学模型代替人的主观判断，将投资理念及方法量化形成投资模型，然后利用计算机技术编程对大量的数据进行分析，制定策略，减少投资者的非理性行为。

量化投资与传统投资方法的不同之处在于，量化投资是在理论基础上，将投资思想反映在量化模型中，通过计算机程序来实现投资决策，量化投资不是基本面分析和技术分析的对立面，它也考虑基本面因素，也考虑技术因素，是在对市场深入理解的基础上形成的投资方法。随着金融市场的扩张、金融创新的发展，信息量的增长远远高于人脑能够处理的范围，进行传统投资策略需要关注的金融产品的数量大幅增长，当市场容量很大时，人为分析和人工交易很难实现对整个市场跟踪监测，此时量化投资就具有更大的优势。

量化投资在国外已有四十多年的发展历史，上世纪八十年代，现代意义上的量化投资在美国正式兴起。以1971年巴克莱投资管理公司发行世界上第一支指数基金为标志，量化投资已成为美国市场中一种重要的投资方法。在美国，西蒙斯所管理的大奖章基金，从1989年到现在平均年化收益率达到35.6%，在2008年发生金融危机时，大奖章基金的年收益率竟然达到80%，远远超过“股神”巴菲特，西蒙斯因此被誉为“量化投资之父”。截至2019年，美国的量化投资比例约60%，而我国还不到5%，量化投资在我国具有很大的发展空间。

2010年融资融券和股指期货的推出结束了中国金融市场不能做空的历史，虽然受2015年股指期货管控政策的影响，量化投资热度有所减缓，但是随着2017年中金所发布新的股指期货交易规则，量化产品的增多，以及海外金融技术人才纷纷回国，量化投资面临重大机遇。

量化投资策略是量化投资中的核心，许多量化投资策略的有效性已经在海外得到了证明，但是在我国市场上还有待检验。首先，市场结构不同，如美国市场较为成熟，机构投资者占多数，而我国散户占多数。其次，数据方面不同，量化投资需要大量的数据来求证模型，对于不同国家的市场来说存在历史数据不足、数据的厚度不够、数据不完整的现象，甚至还存在着很多虚假数据。量化投资本身是一个投资的方法论，就单个策略而言，没有一种能够适应任何市場、任何时间段的量化策略，所以需要对策略在我国市场上的有效性进行检验。

二、文献综述

国外关于量化投资及其策略的研究：Zaremba Adam & Shemer Jacob（2016）[1]向我们介绍了如何在国际市场上成功运用量化投资策略来管理资金，讲述了一系列最先进的量化战略，描述了他们的理论基础、实施细节以及1995年至2015年间70多个国家的表现。Paiboon Sareewiwatthana & Patarapon Janin（2017）[2]基于泰国证券交易所2002-2016年的数据，对著名投资者的量化投资策略进行了研究，结果表明，所测试的几个著名量化投资策略都打败了市场。Bin LI Yan L & Wenxuan T et al.（2017）[3]介绍了量化投资，根据价格、成交量等技术指标，提出了一种基于机器学习和技术分析的新兴量化交易算法，实证结果表明可获得25%的年化收益率。Yang·Y（2018）[4]研究了我国期货市场的特点和量化投资策略，对动量、反转和配对交易类型的策略进行了回测检验，建议投资者根据投资范围、减持容忍度和成本来选择策略。Ruhan A和Guojian Cheng（2018）[5]基于上海证券综合指数和深圳证券综合指数，选取2536个交易日，建立NAR动态神经网络和动态神经网络，并进行测评，证明了NAR动态神经网络应用于量化投资的可行性。Yuxiang Huang（2019）[6]基于机器学习算法和技术指标构建了一个策略，用几种常用的技术指标，来预测股票价格在一定时间内的走势，然后根据预测结果构造一个投资组合进行交易，结果表明该公司的年收益率在40%以上，远远高于标普500指数（2.14%）。

国内关于量化投资及其策略的研究：李成林（2013）[7]研究了移动平均线交易策略的有效性、哪些因素对策略有影响、将有效策略应用到未来投资的效果，研究发现过去8年中部分策略可以获得超额收益，并建议在实际应用中使用时间长度较长的移动平均线策略。李子睿（2013）[8]阐述了量化投资的基本概念、发展现状、交易策略等，基于沪深300股指期货的数据，通过量化投资平台，针对MA、MACD、DMA、TRIX四种指标的趋势策略进行了检验分析，发现可以获得良好的收益率。很多学者都研究了国外经典的量化投资策略R-Breaker，并基于国内期货市场进行了回测，经改进优化后获得良好的收益率（刘冬烨，2014;李邸，2014;谢堞江，2016）[9]。彭乐（2014）[10]介绍了螺纹钢期货市场的概况，通过实证研究了螺纹钢期货价格发现功能的有效性，并运用K线和MACD、MA、KDJ、RSI等技术指标及其组合指标建立了螺纹钢期货5分钟数据的量化交易策略模型，应用Matlab进行模拟检验，结果表明，使用组合指标的资金利用率和资金回报率都高于使用单个指标，四指标组合收益率达到303.3%。有学者对海龟交易法则进行了剖析，指出海龟交易法则是以唐奇安通道为基础，进行买卖的策略，并基于沪深300股指期货对海龟量化策略进行了回测检验，结果显示获得较高的收益率（郭晓岩，2015;龙成，2015）[11]。李治（2016）[12]回顾了主要的投资分析理论（包括技术分析法、基本面分析法和量化投资分析法），然后基于外汇市场，通过技术分析法和量化投资分析法，建立了一个趋势量化交易模型，回测结果显示年化收益率达到149%。赵婷（2017）[13]统计发现，2013年量化交易占美股总交易量的14%，到2017年这一比率就上升到了27%，进一步分析了量化投资在国内市场上占比不高的原因。崔浩波等（2018）[14]阐述了量化投资的主要价值优势，介绍了国内外量化投资模式应用的主要类型，并探讨了量化投资在期货市场的有效应用。

综合国内外文献发现，国内对于量化投资仍处于初级阶段，近几年随着大数据、人工智能等发展，量化投资迎来新的发展机遇。

本文认为当前研究存在以下思考空间：基于数学算法对参数进行优化，将不同量化投资策略有机结合，在当下投资环境下对投资者更具应用价值。

三、策略及指标构建

（一）策略构建

布林线是证券市场技术分析中的一种非常经典的分析指标，它是由美国股市分析家约翰·布林根据统计学中的标准差原理设计出来的一种非常简单实用的技术分析指标。理论中，价格围绕着价值波动;现实中，一段时间内价格也是在一定范围内浮动，这个范围包括上限和下限，而布林线就是通过数学的方式来表述它。

布林通道分为中轨线、上轨线和下轨线。中轨线是证券价格n日平均线，上轨线是中轨线加上m倍过去n日价格的标准差，下轨线是中轨线减去m倍过去n日价格的标准差。一般来说，上下轨两条线分别可以看成是价格的压力线和支撑线，价格在通道内上下波动。当价格波动很小时，通道较窄，即处于盘整状态，此时代表市场交易情绪较为稳定;当证券价格向上突破上轨时，预示着证券价格会有一个向上的波动趋势;当证券价格向下突破下轨时，预示着证券价格会有一个向下的波动趋势，此时代表市场波动较大。

1.策略的计算方法。数学模型：

上式中表示i日前的收盘价，N表示周期，Mid表示均线、中轨线，Std表示标准差，M表示倍数，Up表示上轨线，Dwon表示下轨线。

2.策略逻辑。当布林线开口向上，价格向上突破布林通道上轨时，说明市场处于上升状态，投资者可以依据布林指标做多;当布林线开口向下，价格向下突破布林通道下轨时，说明市场处于下降状态，投资者可以依据布林指标做空。

（二）常规检验指标

1.胜率。购买某一产品持有一段时間后盈利的概率，在交易过程中盈利次数占总交易次数的比值。

2.盈亏比。在交易中盈利与亏损的比例，当盈亏比小于1时，说明该模型整体不盈利;当盈亏比大于1 时，说明该模型整体有盈利能力;当盈亏比大于2 时，说明该量化模型盈利能力较高。

3.年化收益率。是把当前收益率换算成年收益率来计算的一种理论收益率。

4.最大回撤。是指在一段时间内，策略的净值达到最低点时，其策略净值下降幅度的最大值，描述的是在一定时间周期内，策略可能达到的最坏情况。回撤与风险成正比，回撤越大，风险越大。最大回撤越小越好。

5.夏普比率。是用资产组合的长期平均超额收益（相对于无风险利益）除以这个时期该资产组合的收益标准差。意义为每一单位风险（全部风险），可给予的超额报酬。较大的夏普比率表示较好的绩效。

6.索提诺比率。与夏普比率类似，但在计算波动率时采用的是下行标准差，是相对无风险收益的超额收益对下行风险的比。索提诺比率越大表示绩效越好。

四、策略检验、优化

本文以2015年-2019年国内15分钟期货组合作为回测对象。数据范围：样本内数据选取2015年1月1日至2017年12月31日国内15分钟期货组合;样本外数据选取2018年1月1日至2019年12月31日国内15分钟期货组合。测试范围：铁矿石（DCE.i）、螺纹钢（SHFE.rb）、橡胶（SHFE.ru）、甲醇（CZCE.MA）、PTA（CZCE.TA）、焦炭（DCE.j）、豆粕（DCE.m）、棕榈（DCE.p）、白糖（CZCE.SR）。单笔交易手数：1手。初始资金：10万元。手续费：按成交额总金额的万分之一（覆盖2个滑点）。

（一）基于布林通道的量化投资策略表现

1.参数。20个周期的K线、2倍标准差。

2.入场规则。多头：当价格突破上轨，多头入场。空头：当价格突破下轨，空头入场。

3.出场规则。多头：当持有多头时，如果收盘价下穿均线，卖出平仓。空头：当持有空头时，如果收盘价上穿均线，买进平仓。

4.回测结果。

该策略在样本内亏损27071.82元，初始资金收益比达-27.07%，投资组合最大回撤55.18%，交易总数量为4641次，其中多头交易为2351次，空头交易为2290次，盈利交易次数1571次，亏损交易次数3070次，胜率为33.85%，平均盈利/平均亏损比率为1.92。从年度收益来看，2015、2016、2017都亏损。从商品种类来看，铁矿石、螺纹钢和焦炭盈利，其余商品全部亏损。

该策略在样本外盈利18644.62元，初始资金收益比达18.64%，投资组合最大回撤39.46%，交易总数量为3370次，其中多头交易为1688次，空头交易为1682次，盈利交易次数1173次，亏损交易次数2197次，胜率为34.81%，平均盈利/平均亏损比率为1.91。从年度收益来看，2018年亏损，2019年盈利。从商品种类来看，铁矿石、甲醇、豆粕和焦炭盈利，其余商品亏损。

（二）参数优化及回测结果

遗传算法是一种模拟达尔文生物进化论的计算模型，是一种模拟自然进化过程搜索最优解的过程。操作示意图如下：

通过计算机优化，综合考虑取70个周期的K线得到的效果较好。基于此对样本外策略进行回测检验，如下表3所示。

该策略在样本外盈利49334.34元，初始资金收益比达49.33%，投资组合最大回撤34.71%，交易总数量为1142次，其中多头交易为568次，空头交易为574次，盈利交易次数408次，亏损交易次数734次，胜率为35.73%，平均盈利/平均亏损比率为1.96。从年度收益来看，2018年盈利，2019年略有亏损。从商品种类来看，仅橡胶、甲醇亏损，其余商品全部盈利。

五、结论与建议

本文基于2015-2019年商品期货市场，分为样本内和样本外对布林通道量化投资策略的有效性进行检验，并对其进行参数优化、策略改进，回测结果表明：原始布林通道量化投资策略并不能获得较好的收益，无论是收益率、夏普比率还是投资组合最大回撤都表现很差。参数优化后的布林通道量化投资策略比原始布林通道量化投资策略收益率提高了两倍以上，新策略的夏普比率、索提诺比率也有所提高，说明每一单位风险（全部风险），可给予的超额报酬增加。而新策略投资组合胜率提高，最大回撤降低，这表明策略的稳定性提高。

根据研究结果，本文认为量化投资确实能带来较高收益，有助于克服人性弱点，及时止盈、止损。单纯的布林通道策略也已经不能很好地适应市场了，不同的市场时期同一策略效果不同，有一些国外的策略可能并不适应我国市场，在策略应用时要结合市场不断地进行改进、优化。投资者应正视期货投资的风险，在策略失效时及时停止应用。建议在开发策略的时候要多学习、多借鉴、勇于创新、敢于试错，可以先研究小范围的整体指数，再不断向外扩展。此外，量化投资策略的优化、改进不能过于“贪婪”，要权衡得失，适可而止，才能开发出适合的策略。

参考文献：

[1]Zaremba A，Shemer J .Country Asset Allocation ： Quantitative Country Selection Strategies in Global Factor Investing[M].Palgrave Macmillan，2016.

[2]Sareewiwatthana P ，Janin P . Tests of quantitative investing strategies of famous investors： case of Thailand[J]. Investment Management and Financial Innovations，2017，14（3-1）：218-226.

[3]Bin L I ，Yan L ，Wenxuan T ，et al. ML-TEA：A set of quantitative investment algorithms based on machine learning and technical analysis[J]. Systems Engineering-Theory & Practice，2017.

[4]Yang，Y. Essays in quantitative investments[M].ProQuest Dissertations Publishing，2018.

[5]Ruhan，A ; Cheng，Guojian.The Application of NAR Dynamical Neural Network on Quantitative Investment[C].2018 2nd IEEE Advanced Information Management，Communicates，Electronic and Automation Control Conference （IMCEC），May 2018，pp.2671-2674.

[6]Yuxiang Huang. Quantitative Investment with Machine Learning in US Equity Market[P]. Proceedings of the 2018 International Symposium on Social Science and Management Innovation （SSMI 2018），2019.

[7]李成林. 移動平均线交易策略有效性比较研究[D].上海交通大学，2013.

[8]李子睿. 量化投资交易策略研究[D].天津大学，2013.

[9]刘冬烨. 股指期货日内量化投资策略[D].上海交通大学，2014.

[10]彭乐. 螺纹钢期货市场价格发现功能与量化交易策略实证[D].江西财经大学，2014.

[11]龙成. 基于海龟法则的量化模型研究[D].广西大学，2015.

[12]李治. 基于趋势理论的量化交易策略在外汇市场的应用研究[D].南京大学，2016.

[13]赵婷.量化投资：华尔街爆款到中国为何不红了？[N]. 中国基金报，2017-09-25（003）.

[14]崔浩波，蒋顺一，李君仪.量化投资在期货市场的有效应用[J].现代营销（创富信息版），2018（08）：20-21.

作者单位：山东省济南市齐鲁工业大学（山东省科学院）