基于决策树构建日内交易策略

发布日期：2024-08-19 12:32:42 浏览次数： 2926

作者：灵度智能

微信搜一搜，关注“灵度智能”

“Decision Trees for Intuitive Intraday Trading Strategies”

论文地址：https://arxiv.org/pdf/2405.13959v1

摘要

本文探讨了使用决策树构建日内交易策略的有效性，利用现有技术指标为NIFTY50指数中的个别股票。决策树可以为每支股票创建独特的交易规则，可能提高交易表现并节省时间。通过对每支股票的策略进行广泛回测，交易者可以确定是否使用决策树生成的规则。决策树策略并不保证每支股票都成功，但在许多股票中胜过简单的买入持有策略。结果突显了决策树作为增强股票交易表现的有价值工具，对希望改进交易策略的交易者可能具有吸引力。

简介

日内交易是指在同一天内买入和卖出股票，从市场中小幅价格波动中获利，通过这种方式逐渐累积利润。技术分析是一种长期存在的日内交易方法，利用过去的市场数据创建指标，识别模式，并根据观察到的模式做出交易决策。决策树可以作为一种替代方法，为每支股票创建独特且可解释的交易规则，有助于提高交易绩效并节省时间。决策树能够根据股票特征发现不同的规则，帮助交易者更好地理解和解释他们的交易策略。

数据集创建

本文采用混合方法收集数据集，利用ICICI Breeze和Yahoo Finance两个供应商获取全面的股票交易数据。ICICI Breeze提供一分钟间隔数据，但缺少调整后的收盘价，而Yahoo Finance的数据包含调整后的收盘价。通过将Yahoo Finance的调整因子重新采样到一分钟频率，与ICICI Breeze数据同步，实现了调整后的收盘价与一分钟数据的对齐。这种混合方法能够免费获取过去两年的调整后一分钟数据，为零售交易者提供了快速、经济高效的数据获取途径。通过这种方法，交易者可以获得全面的历史股票交易数据，帮助他们做出明智的交易决策。

策略构建

指标使用

使用了四个传统技术指标和五个价格之间的统计关系来构建策略，共计九个输入。这些指标包括收盘价序列的回报率、15期收盘价序列的回报率、14期相对强弱指数、14期平均趋向指数、14期简单移动平均和收盘价序列之间的相关系数、14期滚动波动率、210期滚动波动率、14期滚动成交量加权平均价与收盘价序列之间的比率。这些指标被选中是因为它们提供了有关股票当前和可能未来表现的有意义信息。这些指标提供了决策树模型的全面和多样化的输入，使得可以为每个股票创建独特且可解释的交易规则。

决策树

决策树是一种广泛应用于金融、医学和营销等领域的监督学习模型。分类树是决策树的一种特殊类型，常用于金融模型中生成买卖信号。构建决策树的标准可以是熵、基尼系数或分类错误率，本文选择使用基尼系数。决策树的深度对模型的复杂性和性能至关重要，经实验发现深度为四时能取得最佳平衡。深度过浅会导致欠拟合，而深度过深则容易过拟合。

策略实施

数据集预处理

对于股票数据集，需要进行预处理以确保一致性和连续性。所有股票都被对齐为具有相同数量的行和匹配值的索引。缺失值使用线性插值进行填充，以确保数据连续性。技术指标被应用于数据集，作为决策树模型的输入。决策树模型的输出值（1表示买入，0表示卖出）被合并到数据集中。不需要对特征进行缩放或转换，原始特征直接用于模型中。数据集被分为训练集和测试集，用于训练和评估模型的性能。

模型实现

基于Scikit Learn库中的DecisionTreeClassifier模块开发了基于决策树的日内交易模型。选择了最大深度为四的决策树，使用基尼系数作为构建模型的准则。模型对于不同股票选择了大约五到七个指标进行决策。不同股票的输入特征具有变化，表明模型具有选择相关特征的适应性。

回测

使用Python的vectorbt库进行向量化回测，评估交易信号在历史数据上的执行情况。回测结果显示了该策略的盈利能力、风险调整回报和一致性。与买入持有基准进行比较，可以帮助交易者做出更明智的决策。回测过程对于评估该策略的有效性和实用性至关重要，为潜在的实时交易环境提供了有价值的见解。

结果

关键绩效指标(kpi)在评价交易策略的有效性和绩效方面起着举足轻重的作用。kpi的年化使用每年252 × 375 = 94500个周期，其中252表示每年的交易日，375表示交易日内的交易间隔。分析中使用了以下kpi：夏普比率、总收益、CAGR(复合年增长率)、最大收缩、胜率、利润系数、波动、PSBBR、PSBBS。

在夏普比率中，股票超过基准(买入并持有)的百分比。该策略显示出良好的结果，在夏普比率、波动性和最大回调方面优于基准。然而，值得注意的是，该策略的总收益低于测试数据集中的基准。尽管如此，当根据波动性进行调整时，该策略的表现优于基准，提供了更好的风险回报比和更低的最大回撤。

这些发现表明，尽管该策略在测试数据集中的总回报略低，但其风险调整后的表现优于基准。这表明基于决策树的日内交易策略在管理风险和提供一致的回报方面更有效。从训练数据集到测试数据集，PSBBR和PSBBS值的下降进一步突出了这一点，但PSBBR的下降幅度要大得多，为42.50%，而PSBBS的下降幅度为28.57%。

总结

本文研究了决策树在利用技术指标创建日内交易策略方面的有效性。研究发现，决策树提供了一种强大而高效的方法，可以基于技术指标的组合生成交易规则，为交易者提供有价值的见解和可操作的信号。决策树可以有效地从技术指标池中选择相关特征，使其适应不同的股票和市场条件。此外，基于决策树的分类器在效率和适应性方面优于买入持有基准。未来的研究可以探索不同指标组合的有效性，并优化基于决策树的方法以获得最佳表现。