HK&US Quant Strategy

etf机器学习

由wtyu创建，最终由wtyu 被浏览 3 用户

基础配置

# 核心参数
TRAIN_START = "2016-01-01"
TRAIN_END = "2019-01-01"
TEST_START = "2021-01-01"
TEST_END = "2025-06-02"

# 基础因子
BASE_FEATURES = [
    "open", "high", "low", "close", "volume", "amount",
    "close / m_lag(close, 5) as mom5",
    "m_avg(volume, 5) as mvol5",
    "close / open as c2o",
    "m_nanstd((close / m_lag(close,1)-1), 5) as volatility5"
]

# 动态调仓参数
ATR_WINDOW = 14
ATR_RADIO_WINDOW = 20
ATR_DISCRETE_BINS = [0，1, 2， np.inf]  # 低/正常/高波动区间

代码：

https://n2nquant.com/aistudio/studios/dc5342a7-cfa4-46c2-8b57-79af89f2bfdd/?folder=/home/aiuser/work

\

调优维度及顺序

阶段 调整对象 目标 测试变量
1 模型架构 优化预测性能 RF/XGBoost/LightGBM
2 标签设计 改进信号质量 5日/10日收益率，涨跌分类
3 因子组合 增强特征有效性 技术指标+基本面因子
4 ATR离散化参数 提升仓位控制适应性 窗口大小/分箱阈值

调优过程记录

阶段1：模型架构对比 (基准因子+5日收益率标签)

# 测试模型
MODELS = {
    "RandomForest": RandomForestRegressor(n_estimators=10, random_state=42),
    "XGBoost": XGBRegressor(objective='reg:squarederror'),
    "LightGBM": LGBMRegressor(num_leaves=31)
}
模型 年化收益率 夏普比率 胜率 最大回撤 换手率
RandomForest 16.3% 1.25 55% -18.2%
XGBoost 18.1% 1.41 57% -15.8%
LightGBM 17.5% 1.38 56% -16.5%

📌 关键结论：XGBoost在收益风险比和回撤控制上表现最优

阶段2：标签设计方案对比 (XGBoost模型)

# 标签定义方案
LABEL_VARIANTS = {
    "LABEL_5D": "m_lead(close, 5) / m_lead(open, 1)",  # 原始5日收益
    "LABEL_10D": "m_lead(close, 10) / m_lead(open, 1)",
    "CLASS_5D": "I((m_lead(close,5)/m_lead(open,1) > 1.02)"  # 二元分类(涨超2%)
}
标签类型 模型指标 年化收益率 胜率 最大回撤 交易频率
5日收益率(回归) MSE=0.0082 16.3% - -18.2% 中
10日收益率 MSE=0.0115 14.1% - -16.5% 低
5日涨跌分类 AUC=0.68 18.7% 61% -14.9% 高
10日涨跌分类 AUC=0.63 15.2% 58% -16.1% 中

📌 关键结论：5日涨跌分类标签在收益和风险控制上取得最佳平衡
阶段3：因子组合有效性 (XGBoost+分类标签)
因子组合 特征数量 AUC 年化收益 夏普比率 重要因子排名
基础因子 8 0.68 18.7% 1.51 mom5 > c2o
基础+RSI(14) 9 0.70 19.8% 1.67 RSI > mom5
基础+典型价格 9 0.69 19.2% 1.58 typ_price > vol5
基础+RSI+典型价格 10 0.71 20.5% 1.79 RSI > typ_price > mom5
全因子(12个) 12 0.70 19.6% 1.65 RSI > typ_price > vol_ema

📌 关键结论：RSI+典型价格组合提升明显，更多因子未带来增益

阶段4：ATR参数敏感性测试
ATR计算窗口 分箱阈值 年化收益 夏普比率 最大回撤 换手率
(10,15) [0.7,1.3] 19.8% 1.91 -13.5%
(14,20) [0.8,1.2] 20.1% 1.85 -14.2%
(20,30) [0.75,1.25] 18.9% 1.78 -15.1%
(14,20) [0.85,1.15] 22.3% 2.07 -12.3%
(14,20) [0.9,1.1] 21.1% 1.95 -13.8%

📌 关键结论：窄阈值([0.85,1.15])配合标准窗口表现最优



\

{link}