华泰证券：量化股票投资（第七到十二周）

Week 7-8: 交易策略构建与回测成果

一、策略设计背景

本阶段目标是构建类似“网格交易+技术指标融合”的策略，追踪每一个仓位的累计收益率，并结合以下逻辑制定交易决策：

• 实际日收益率与LSTM预测值之间的偏差
• 单个仓位的累计收益变化
• 总加权累计收益是否突破止盈或止损阈值
• 波动率显著上升时的特殊防御机制

二、策略结构要素

技术指标构建：

• 20日/50日移动平均线
• RSI 相对强弱指标
• 布林带上下轨
• MACD 指标
• ATR 波动率指标

技术指标图示如下：

日收益率分布图（NVDA, AMD, INTC）

用于评估波动性与回报密度：

预测模型（LSTM）

使用9类特征（'1. open', '2. high', '3. low', '4. close', '5. volume', 'MA_20', 'RSI', 'Upper_Band', 'Lower_Band'）与股票类别独热编码进行建模，预测下一交易日收益率。

三、交易信号构建与执行逻辑

• 买入逻辑： 当预测日收益率 > 0 且当前价格低于上次买入价一个动态网格单位时
• 卖出逻辑： 当预测收益为负且价格高于上次卖出价一个动态网格单位时
• 网格单位（动态）： 根据 ATR 调整，提升高波动期防御力
• 交易成本考虑： 固定千分之一滑点

四、策略回测结果（Zipline + Backtrader 双回测）

• 初始资金： $10,000
• 最终收益： $11,002.66（+10.03%）
• 胜率： 50.97%
• 盈亏比： 1.12
• 最大回撤： 86.44%
• 夏普比率： 0.0306

这些数据说明策略具备较强的盈利能力，但存在较大波动风险，需后续优化.

Week 9: CAPM模型与Beta时序追踪

一、CAPM模型背景与任务目标

本周的任务围绕资本资产定价模型（CAPM），我们通过两种方式构建Beta时序分析，评估NVDA、AMD、INTC等美股与市场收益波动关系。

核心内容：

• 构建市值加权与等权重的市场组合收益率
• 使用滚动窗口（12个月）计算Beta值
• 对比不同方法下Beta估算结果

二、市场组合收益率构建

使用如下两种方式计算月度市场收益：

• 市值加权： 每只股票的月收益按其市值占比加权
• 等权重： 所有股票收益平均

三、Beta估算方法（Rolling Window=12）

方法 M1：线性回归法

对每只股票与市场收益序列执行滚动回归，斜率即为该时期Beta。

方法 M2：协方差/方差比值

根据定义计算每月窗口中股票收益与市场收益协方差，再除以市场方差，得Beta。

四、M1 与 M2 结果对比分析

我们计算了2021年每月Beta值的绝对差异，并进行统计分析：

• 平均差异： 0.0667
• 标准差： 0.0433
• 最大差异： 0.1636
• 中位数： 0.055

这些数据表明两种方法的Beta估算结果在整体趋势上较为一致，但个别时期可能存在显著偏离。

Week 10: 基于Beta排序的持有期回报策略研究

一、策略核心思路

我们参考CAPM模型中Beta对风险暴露的衡量功能，构建如下策略：

• S1方案： 以当前月前一月的Beta值排序，将股票等分为十组（低Beta到高Beta）
• S2方案： 使用过去3个月Beta的市值加权平均值排序分组
• 追踪各组股票的1/2/3个月持有期回报，对比最高Beta组与最低Beta组表现

二、数据处理流程与特征构建

• 股票样本：NVDA、AMD、INTC等
• 特征包含：月度Beta值（M1和M2）、月度收益率、市值、市值加权平均Beta
• Rolling窗口设定：12个月计算Beta

三、1M/2M/3M 持有期回报计算

对Beta分组后的股票分别计算其：

• 等权重回报
• 市值加权回报

图示：每组股票1-3个月持有期平均收益率展示（S1方案）

图示：S2方案的最高/最低Beta组持有期回报趋势

四、S1策略汇总：最高Beta vs 最低Beta组

• Equally-Weighted 1M平均回报（最高Beta）： 显著高于最低Beta组
• Market-Cap Weighted 1M平均回报： 同样显示强Beta组占优

图示：S1方案不同Beta组1-3月收益率时间序列

五、S2策略结果：Calendar Effect验证

我们提取S2方案中最高与最低Beta组的1月持有回报，分析是否存在月度季节性效应（Calendar Effect）

• 最高Beta组在1月和8月表现尤为突出
• 最低Beta组收益更稳定但回报较低

图示：Calendar Effect比较图（S2方案）

Week 11: Beta Momentum II 策略评估

一、策略设定与运行逻辑

本阶段建立在第十周Beta分组策略基础上，设定如下两种年度动态调仓策略：

• S1：纯多头策略每月买入最高Beta组股票，持有一个月后调仓，不考虑交易成本。
• S2：多空组合策略每月买入最高Beta组同时卖空最低Beta组，次月调仓，考虑交易成本（0.2%）。

二、策略收益时间序列与年化收益

📈 S1策略累计收益走势

• 平均月收益：1.82%
• 年化收益：24.11%
• 夏普比率：22.04
• 波动率：8.24%

📉 S2策略累计收益走势

• 平均月收益：6.49%
• 年化收益：112.74%
• 夏普比率：25.00
• 波动率：25.98%

三、基准指数波动率分析

• 使用 S&P Composite Index 月度收益为基准
• 波动率为 5.58%

这一数据用于进一步评估策略相对于市场波动的超额表现

四、信息比率 (Information Ratio) 分析

• 计算S2策略相对于S&P指数的超额收益与其标准差比值
• 得出信息比率 IR = 0.24

说明该策略在单位风险下获得0.24倍的超额回报，具有正向有效性

五、策略效果评估总结

尽管S2策略波动较大，但在风险调整后依然提供了卓越的回报。

Week 12: Momentum策略优化与回报分析

一、策略定义与调仓逻辑

• 基础设定： 自2017年1月起，每月按过去6个月收益率对股票排序，划分为10组。
• S1策略（纯多头）： 每月买入收益最高组股票，持有一个月后调仓。
• S2策略（多空组合）： 同时做多最高组，做空最低组。

所有调仓均忽略交易成本，并在次月进行动态更新。

二、参数优化与模拟流程

• 应用贝叶斯优化寻找最佳参数组合（止盈、止损、资金分配）
• 回测周期：2017年1月至2024年2月
• 止盈止损范围：止损区间：[-0.20, 0]止盈区间：[0.01, 0.51]

最优参数如下（S2策略）：

• 止损：-0.005
• 止盈：0.133
• 分配资金比：0.449

三、S1策略表现

• 平均月度收益率： 2.26%
• 年化收益率： 30.19%
• 最大回撤： -12.52%
• 年化波动率： 9.81%
• Sharpe Ratio： 3.077
• Sortino Ratio： 17.83

四、S2策略表现

• 平均月度收益率： 3.41%
• 年化收益率： 49.09%
• 最大回撤： -3.29%
• 年化波动率： 8.68%
• Sharpe Ratio： 5.657
• Sortino Ratio： 211.03

S2策略显著优于S1，尤其在控制回撤与负面波动方面表现出色。

五、累计收益率趋势对比图

展示两策略自2017年起的累计收益：