縱橫牛熊的穩定AI量化交易策略

AI這幾年在各大領域嶄露頭角，也有著更多人期盼AI能解決過往無法完成的事情，其中一項就是今天的主題: 交易策略!

現今的金融市場已是電子化的遠程交易，甚至都有事先編程的軟體可以自動進行交易(掛單)，過程中無須人為介入。其中一種交易方法名為量化交易，是將人類的交易邏輯量化成數學模型，進而轉成自動化交易程式，最常見於股票和期貨的交易。

今天的主題就是要介紹量化交易中的網格交易(圖1)，論文中提出一個新的網格模型「彈性網格」(圖2)，有別於過往的等差網格和等比網格，單位風險可獲得的報酬率更高。

圖1 網格交易示意圖。開啟網格交易會先掛單(買、賣)，隨著當前價格會進行交易，觸發買賣的時刻會同步修改掛單價位的行動，完成低買高賣的策略。

圖2 彈性網格示意圖。

彈性網格需要設定四個參數: 網格上界、網格下界、上網格數、下網格數。論文中對美國股市2011~2022年使用simplified swarm optimization(SSO)簡化群體演算法去尋找最佳化的網格參數，並作為下階段AI模型的訓練集。

研究團隊使用Fully Connected Neural Network(FNN) (圖3) 進行訓練預測網格參數之模型，訓練過程並沒有按照時間序列，而是採用30天時間長度的滑動視窗隨機排序取出8項股市資訊作為模型的輸入，最後還有和Long Short-Term Memory(LSTM) 模型進行比較 (圖4)，在相同條件規範下，FNN的效果更好。

圖3 FNN預測彈性網格參數示意圖。輸入8項參數，統計自網格交易開啟前的30天內資訊。

圖4 不同策略的報酬率比較。FG-FNN是論文提出的交易策略，可觀察到相較FG-LSTM的表現FG-FNN較佳，同時勝過其他多個交易策略。(報酬率的計算來自2022/1~2022/6期間的真實回測，此時間段為驗證資料，AI模型沒有使用過此筆資料)

論文最末驗證自己的全新交易策略與過往的交易策略差異，研究團隊推出的交易測略擁有最高的夏普比率(Sharpe ratio) 每單位風險可獲得的報酬(圖5) ，並且同時也是最穩定的(低波動性)模型。

圖5 夏普比率比較。論文中提出的FG-FNN擁有最佳的表現

圖6 波動性比較。FG-FNN的波動性穩定度名列前茅

探討目前金融是個快速變化的市場，太多無規律的因素可以影響金融市場，我們只能嘗試從中尋求穩定且最佳化風險與報酬率的比重，此交易策略並非能取得最高的報酬率，但卻能達到同樣單位風險下可獲得的報酬，期盼未來還能結合市場牛熊的大趨勢可以優化AI模型進行看多、看空雙向的策略，如此一來也許能有機會獲得更高的報酬，達到真正縱橫牛熊的最佳利器。    

*補充: 

圖4 報酬率來自2022/1~6 六個月的報酬累計，每月1號啟動彈性網格，平均每月獲利1.95%(無複利)                                                                                                         

論文中採用五個股票數據:

1. 標準普爾500指數 (Standard & Poor's 500, S&P 500)

2. 那斯達克綜合指數(NASDAQ Composite)

3. 道瓊工業平均指數(Dow Jones Industrial Average, DJIA)

4. 歐洲STOXX 50 指數(Euro Stoxx 50)

5. 上海綜合指數(Shanghai Composite)

此文章為科學論文解析、分享，無任何投資建議。

撰文：許楷翊

參考文獻：

Yeh, W.-C.; Hsieh, Y.-H.; Hsu, K.-Y.; Huang, C.-L. ANN and SSO Algorithms for a Newly Developed Flexible Grid Trading Model. Electronics 2022, 11, 3259. https://doi.org/10.3390/electronics11193259