中国股票简单技术交易规则的盈利能力

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，t+1，fk，t+1=log（1+yt+1Ik，t+1）中- 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。佣金双向收取，最高不超过营业额的0.3%。转让费仅在上海市场收取，为面值的0.06%。为了简化估算交易成本的过程，我们使用了四种费率（c=0、0.3%、0.5%和1%），包括所有的印花税、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[18]的fk、TF值应用平稳自举法[20]来评估这一假设。在静态自举法中，合成数据f*k、 t规则k是从性能系列fk，t中的块shuf fling中获得的。块的大小由预先定义的“平滑参数”q确定，该参数将shuf fled块的预期长度设定为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。对于给定的带有R的级数θ（t）≤ T≤ 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，独立且一致地从R，T.2。

将t增加1。如果t>t，停止。否则，从标准均匀分布[0,1]中提取u。如果u<q，则设置θ*（t） =θ（i），其中i是随机的，独立且一致地从R，T如果你≥ q、 设定θ*（t） =θ（i+1）；如果i+1>T，我们重置i=R.3。重复第二步。对于交易规则k，合成数据F的性能统计信息*kc可根据式（12）进行评估。我们构造以下统计量来获得p值，V=maxk=1。。，48√n（fk），（16）V*= maxk=1。。，48√n（f）*K- fk）。（17） 我们积累了500个V值*估算p值为，Pr（V*> 五） 。（18） 如果p值小于某个显著水平，则无效假设被拒绝。考虑到数据窥探效应，最好的技术交易规则可以胜过买入并持有策略。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列报告了多头持仓和空头持仓的天数。我们注意到，短期窗口大小NSA和长期窗口大小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FMArules除外。这意味着该波段确实有能力在动荡的市场中消除噪声信号。多头头寸的平均回报在第4栏中报告。

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的假设，并将SHCI（分别为SZCI）的无条件回报视为0.1的显著水平。一般来说，引入一个百分比的波段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，即增加频带可以减少噪声信号并增加收益。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栏列出了空头头寸的平均回报率。我们发现，在48个平均回报中，有40个（分别为43个）对上证综指（分别为深证综指）为负。在SHCI（分别为SZCI）的显著水平为0.1的情况下，有6（分别为10）个回报率与无条件平均回报率u显著不同。我们还注意到，TRB规则没有为SZCI提供任何重要信息，而只有VMA规则为SZCI提供重要信息。μsis的最小值-0.002163（分别为，-由FMA（5,50,0.01）生成的SHCI（分别为SZCI）（分别为VMA（2,20,0））。平均多头头寸收益和平均空头头寸收益之间的差异u在第6列中报告。当允许卖空时，这个数量可以解释为投资回报。

首先，我们观察到48个差异中有22个（分别为29个）与0.1的显著水平（分别为SZCI）下的零显著不同，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显著差异。SHCI（SZCI）的最大差异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（σ和σs）。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人成功。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SHCI的hσVMAli=0.0208、hσVMAsi=0.0221、hσFMAli=0.0241、hσFMAsi=0.0218、hσTRBli=0.0223、hσTRBsi=0.0222和hσVMAli=0.0217、hσVMAsi=0.0227、hσFMAli=0.0252、hσFMAsi=0.0211、hσTRBli=0.0251、hσTRBsi=0.0243。从这两个指数的结果来看，对于相同的规则和相同的头寸，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。回报乘以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。