[量化金融] 中国股票简单技术交易规则的盈利能力 [推广有奖]

我们还将I=1设为买入并持有策略。为了使我们的绩效指标更接近实际情况，交易成本将包含在指标fk中，t+1，fk，t+1=log（1+yt+1Ik，t+1- c | Ik，t+1- Ik，t |）- 对数（1+yt+1I0，t+1）k=1，48（14），其中c代表单向交易成本率。在中国股票市场，交易成本主要包括交易税、佣金和转让费。自2008年9月19日起，转让人需缴纳0.1%的印花税。佣金是双向征收的，最高不超过营业额的0.3%。转让费仅在上海市场收取，即面值的0.06%。为了简化估计交易成本的过程，我们使用四种费率（c=0、0.3%、0.5%和1%）来包括所有印花税、佣金、转让费和其他成本。基于我们的性能测量，我们制定了WRC测试的零假设，如下所示，H：maxk=1。。，48E（fk）≤ 0。（15）我们通过对每个交易规则的fk、TF值应用平稳自举方法[20]来评估这一假设[18]。在静态自举方法中，合成数据f*k、 t规则k从块shuf fling theperformance series fk，t中获得。块的大小由预先定义的“平滑参数”q确定，该参数给出了shuf fled块的预期长度为1/q。在我们的测试中，我们使用四个不同的平滑参数值（q=0.01、0.1、0.5和1）来检查平滑参数是否对WRC测试有影响。q值分别对应于100、10、2和1的平均块长度。对于给定级数θ（t），R≤ t型≤ T、 块重采样序列θ*（t） 可通过以下步骤获得，1。设置t=R和θ*（t） =θ（i），其中i是随机的，独立且均匀地从R，T2.

将t增加1。如果t>t，停止。否则，从标准均匀分布[0，1]中绘制u。如果u<q，设置θ*（t） =θ（i），其中i是随机的，独立且均匀地从R，T如果u≥ q、 设置θ*（t） =θ（i+1）；如果i+1>T，我们重置i=R.3。重复步骤2。对于交易规则k，合成数据F的性能统计信息*kc可根据公式（12）进行评估。我们构造以下统计量以获得p值，V=maxk=1。。，48√n（fk），（16）V*= 最大值=1。。，48√n（f*k- fk）。（17） 我们累积了500个V值*并估算p值为，Pr（V*> 五） 。（18） 如果p值小于某一显著水平，则无效假设被拒绝。考虑到数据窥探效应，最佳技术交易规则的表现优于买入并持有策略。4、实证结果4.1。传统t检验的结果为了检验我们基于VMA、FMA和TRB规则的交易策略的有效性，我们对两个指数SHCI和SZCI进行了回溯检验。结果见表2（SHCI）和表3（SZCI）。两个表的第一列列出了交易规则及其相应的参数。第2列和第3列报告了多头头寸和空头头寸的天数。我们注意到，短期窗口大小nsandlong term window size nl的增加将减少持有多头和空头头寸的天数。窗口越大，移动平均线越平滑，这将减少交易信号的数量。我们还发现，当我们考虑一个波段时，多头和空头头寸的天数会减少，但nl=50的F马鲁尔除外。这意味着该频段确实有能力在动荡的市场中消除噪音信号。第4列报告了多头头寸的平均回报率。

我们可以发现，48个平均回报中有43个（分别为47个）对上证综指（分别为深证综指）为正。我们还发现，在48条规则中，有11条（分别为16条）提供了设计回报，这些规则拒绝了多头头寸回报率u的假设，对于上证综指（分别为深证综指）而言，无条件回报率u等于0.1的显著水平。一般来说，引入一个百分比区间将增加大多数交易规则的相应回报。这进一步巩固了一个事实，即添加频带可以减少噪声信号并增加回波。由于中国股市不允许卖空，多头头寸回报可以代表我们交易策略的投资回报。交易规则TRB（150,0.01）（分别为TRB（200,0.01））给出的最高平均回报率为0.002146（分别为0.004223），适用于中国深商国际（分别为深交所）。第5列列出了空头头寸的平均回报率u。我们发现，在48个平均回报中，有40个（分别为43个）对SHCI（分别为SZCI）为负。在SHCI（分别为SZCI）0.1的显著水平上，有6（分别为10）个回报与无条件平均回报u有显著差异。我们还注意到，TRB规则没有为SHCI提供任何重要信息，而只有VMA规则为SZCI提供了重要信息。usis的最小值-0.002163（分别为，-0.001275），分别由FMA（5、50、0.01）（分别为VMA（2、20、0））生成。平均多头头寸回报与平均空头头寸回报之间的差异u在第6列中报告。当允许卖空时，该数量可解释为投资回报。

首先，我们观察到48个差异中有22个（分别为29个）在HCI（分别为SZCI）0.1的显著水平上与零显著不同，这意味着多头头寸回报与空头头寸回报显著不同。FMA规则没有为深交所提供任何重大差异。SHCI（SZCI）的最大差值0.003389（分别为0.004571）由FMA（5，50，0）（分别为TRB（200，0.01））产生。根据重要性ul、u和u，我们推断我们的交易策略能够预测市场趋势并在市场中赚取超额回报。我们还在第7列和第8列中报告了多头和空头头寸回报的标准差（σlandσs）。对于VMA规则，一个引人注目的结果是，当nl时，σsis大于σlw≤ 50但当nl>50时，两者之间的差异并不显著。这再次表明VMA规则使用参数nl≤ 50个成功。具体而言，这些规则为多头头寸提供了更高的回报和更低的波动性，但为空头头寸提供了更低的回报和更高的波动性。对于FMA和TRB规则，标准偏差表现出相反的行为，即σ小于σl。对于具有相同窗口大小的规则，我们发现引入带将增加夏普比。我们进一步估计了两个返回样本的VMA、FMA和TRB规则的平均标准偏差，发现hσVMAli=0.0208，hσVMAsi=0.0221，hσFMAli=0.0241，hσFMAsi=0.0218，hσTRBli=0.0223，hσTRBsi=0.0222，hσVMAli=0.0217，hσVMAsi=0.0227，hσFMAli=0.0252，hσFMAsi=0.0211，hσTRBli=0.0251，hσTRBli=0.0251，hσTRBli=0.0251 BSI=0.0243 forSZCI。从两个指标的结果来看，对于相同规则和相同头寸，上海市场的标准差σ低于深圳市场。

这表明SZCI比表2：我们对SHCI的交易策略结果更不稳定。N表示相同市场头寸的天数。返回值u乘以系数10。标准偏差σ和夏普比s乘以系数10。p是高于零的信号返回的分数。下标l和s分别代表多头和空头头寸。