基于金融危机指标的成功投资策略

幸运的是，我们的一些金融危机指标已经过适当校准，但许多都没有校准，我们应用于SHSZ300指数的金融危机指标散射图中的极端畸形案例可以在α系列图（n）（参考：R；矩阵：市值加权相关性）或α系列图中找到，图（h）（按市值加权的相关矩阵的轨迹）。在这些情况下，散点图几乎是双模的，样本内校准期的MDD值较高，与样本外预测期的MDD值完全不同。当然，随着时间的推移，当某一给定指数的行为几乎不稳定时，那么通过回顾过去来准确预测未来就不可能了。尽管在校准我们的几个金融危机指标时遇到了困难，但就SHSZ300指数而言，P A仍然能够产生相当好的结果。这就是使用我们29个金融危机指标的汇总信号的优势。尽管在某些情况下，其中的大部分可能无法正确校准，但仍有足够的有用信息为持有P a的投资者提供足够准确的预测，以击败P P和大多数随机路径P R。事实上，P a的夏普EOF仍然达到0.49，而P P的夏普EOF只有0.29，PA的波动性略低于P，P A的表现（15%）优于P P（10%）。虽然P AI的MDD略高于P P的MDD，但P A的Calmar比率（0.32）相对于P P的Calmar比率（0.23）仍有显著改善。

当考虑P R的随机路径时，如图8b所示，我们获得的结果非常令人放心，并证明我们的框架仍然能够产生有用的积极交易策略，即使他们所依赖的许多金融危机指标发出了令人敬畏的信号。事实上，就夏普比率和波动率而言，P在99.9%的时间里是P-R路径，就表现而言，P在99.5%的时间里是P-R路径。随机路径的MDD通常优于MDDof P A，但P A在性能方面优于50000条随机路径的优势将允许我们的主动策略在Calmar比率方面击败P R路径97.2%。7结论作为结论，我们首先要强调的是，基于我们29个金融危机指标（α系列和β系列）的预测能力，我们的系统化交易策略提供了出色的结果。对于我们通过考虑主要股票指数及其各自的股票组成部分（BE500、CAC40、SP500、NASDAQ、SHSZ300）构建的五个数据集中的每一个，我们的系统交易策略始终能够以清晰且可复制的方式击败被动买入和持有策略。我们的主动系统投资策略也能够击败随机策略，在绝大多数情况下，“买入”、“卖出”和“保留”订单的比例相同。事实上，对于我们在本研究中考虑的股票指数，主动投资组合P在夏普比率、绩效、波动率和卡尔玛比率方面与被动投资组合P P和随机路径P R相当。

只有在最大收益方面，被动策略和随机策略有时会比主动策略产生更好的结果，但这只是因为，根据本研究的设计，P P总是包含一些现金，P R路径通常也包含现金，而P a在大多数情况下可能是完全投资的。只有在中国SHSZ300指数的情况下，我们的一些金融危机指标才提供了令人敬畏的预测，而不管运营商在选择正确参数T和S方面的技能如何。这可能是由于中国市场的历史数据质量较低，或者由于中国市场在过去10年中发生了深刻的变化，我们不得不考虑目前300个组成部分中的不到一半，这一事实在我们的研究中引入了生存偏差。为了总结我们的方法，我们首先为所有五个数据集建立一个滚动窗口长度的简单规则（公式（1）），然后再为校准周期长度建立另一个简单规则（公式（10））。然后，我们选择控制系统交易策略行为的两个参数。第一个参数是MDDThreshold T，其值决定了我们是否希望准确预测大量小危机或少量大危机。然后选择第二个参数，即指示器灵敏度S，其值决定了非系统交易策略的攻击性水平。S的低价值将产生非常积极的策略，在出现危险的第一个迹象时，将开始将ETF股票转换为活跃投资组合中的现金，因为指标提供的红色标志将更容易获得。

S值越高，系统性交易策略就越冷静和耐心，因为金融危机指标提供的红色荧光越难实现，因此该策略将等待采取行动并开始将股票转换为现金，直到我们的金融危机指标的100天预测范围内发生危机的风险变得不可能忽视两个参数T和S的选择是稳健的，一旦运营商利用其经验和所考虑的股票指数知识为T和S选择了一个值，那么这些参数可以在很长一段时间内用于类似的股票指数，排除过度拟合我们模型的可能性。换言之，正是运营商制定策略的技能，而不是运气，才是决定积极交易策略的好坏的决定性因素。这项工作的未来发展可能包括设计一个实时评级系统，以便在决策中给予更多权重，并在给定时间计算Γ，这是我们构建的29个指标中，在给定的预测期内预测最准确的指标。事实上，在我们目前的工作中，所有这些专家的意见都是一样的，不管他们过去的预测准确性如何，也不管他们在金融危机预测方面的误报（很少是误报）比例如何。在未来的工作中，可以设想在给定的量表上对所有这些指标进行评级，然后在Astragy的决策过程中调整每个指标相对于其评级的重要性。我们还计划在研究中纳入交易成本和市场摩擦。

事实上，这些交易成本对于较小的交易尤其重要，提供适当的影响建模对于让我们的交易策略有更好的机会发挥作用非常重要，无论它们所应用的投资组合大小如何。关于可扩展性问题，我们还计划考虑投资者在执行买卖订单时对市场的影响。尽管他们是价格接受者，而不是做市商，但他们的做法对订单簿的影响确实很小，尤其可能造成下滑，无论订单与市场规模相比有多小。这种影响将在未来集成到我们的方法中，以使其完全可扩展。参考文献[1]Abbasbandy S.（2003）“通过改进的Adomian分解方法改进非线性方程的Newton-Raphson方法”，应用数学与计算，145（23），第887-893页[2]Brock W.、J.Lakonishok和B.LeBaron（1992），“简单技术交易规则和股票回报的随机性”，美国金融协会杂志，47（5），第1731-1764页【3】Clemen R.T.（1989）“组合预测：回顾和注释书目”，《国际预测杂志》，5（4），第559-583页【4】Douady R.和A.Kornprobst（2017），“基于随机矩阵的金融危机指标实证方法”，https://arxiv.org/abs/1506.00806[5] Farmer J.D和J.Shareen（2002）“常见交易策略的价格动态”，《经济行为与组织杂志》，第49卷（2），第149-171页【6】Fung W.和D.A Hsieh（1997）“动态交易策略的实证特征：对冲基金的案例”，《金融研究评论》，10（2），第275-302页【7】Gencay R.（1998年），“技术交易策略的优化和不安全市场的稳定性”，《经济学快报》，第59（2）页。

249-254【8】Golub G.H.和C.F.Van Loan C.F.（2013）“矩阵计算（第四版）”，约翰·霍普金斯大学出版社，第76-81页【9】Horn R.A和C.R Johnson（2013）“矩阵分析（第二版）”，剑桥大学出版社，第242-259页【10】Kwon K.Y.和R.Kish（2002）“技术交易策略和回报可预测性：纽约证券交易所”，应用金融经济学杂志，12（9），第639-653页【11】Marchenko V.A.和L.A.Pastur（1967），“一些随机矩阵集的特征值分布”，《苏联斯博尼克数学》，1（4），第457-483页【12】Pesaran M.H.和A.Timmermann（1995），《股票收益的可预测性：稳健和经济意义》，《金融杂志》，50（4），第1201-1228页【13】Ratner M.和R.Leal（1999）“拉丁美洲和亚洲新兴股票市场中技术交易策略的测试”，《银行与金融杂志》，23（12），pp。