機器學習VS動量、反轉效應，量化交易1

• 2019 年 10 月 4 日
• 筆記

這是2018的一篇論文《A Machine Learning View on Momentum and Reversal Trading》的觀後感。作者探索並比較了各種機器學習技術，包括決策樹（DT），支援向量機（SVM），多層感知器神經網路（MLP）和長短期記憶神經網路（LSTM）。基於這些機器學習方法來預測中國股市的動量、反轉效應。

01 /

什麼是動量效應

Momentum effect

一般又稱「慣性效應」，動量效應是由Jegadeesh和Titman（1993）提出的，是指股票的收益率有延續原來的運動方向的趨勢，即過去一段時間收益率較高的股票在未來獲得的收益率仍會高於過去收益率較低的股票。

02 /

什麼是反轉效應

Reversal effect

也稱為逆轉效應，指在一段較長的時間內，表現差的股票在其後的一段時間內有強烈的趨勢經歷相當大的逆轉，要恢復到正常水平(reversal to mean)，而在給定的一段時間內，最佳股票則傾向於在其後的時間內出現差的表現。

總的來說，動量和逆轉效應是股票市場中常見且有趣的現象。動量效應意味著過去表現良好的股票可能繼續優於過去表現不佳的股票。相反，逆轉效應表明過去的輸家可能會在未來轉變為贏家。

03 /

研究思路

可以借鑒下，無非是把常用的DT、SVM、MLP、LSTM等用了個遍，然後對比各自的表現情況。

04 /

特徵工程

最吸引我的是特徵工程這一步。特徵提取，論文提取了90個特徵，包括股票自身的各項指標，和上市公司的財務及業務情況。具體比如市場報價（例如，價格（開盤價，高價，低價，收盤價），成交量，成交量等），技術指標（如指數移動平均線（EMA），相對強弱指數（RSI），變動率（ROC），移動平均線收斂/發散（MACD）等；上市公司的財務和業務狀況，如市場資本化（市值），價格收益率（PE），市凈率（PB），價格 – 銷售比率（PS），價格現金流量比率（PCF）等。

最後，計算上述指標以及一些統計量，例如平均值和標準偏差值，以生成相應的特徵。

論文最後，明確指出還需要補充更多維度的特徵，例如從在線社交網路中提取的宏觀經濟指標和情緒數據作為特徵。還有其他國家的市場情況，例如美國股票市場的VIX，香港股票市場的VHSI等。

值得學習的一點是，對於特徵工程，維度能多盡量多，涵蓋的範圍除了研究對象本身，還需要補充各種關聯對象的特徵，外部環境特徵。