使用XGBoost算法改进ETF 交易策略，获得33.99%的年化收益率

↓推荐关注↓

原文：结合价格动量和拥挤度的两融 ETF 交易策略

来源 ：中国银河证券研究院

一、本文简介

本文主要介绍了两融类ETF的交易策略。ETF作为指数跟踪工具，具有较好的资产配置价值。同时，结合价格扩散和明斯基时刻，可以充分发挥ETF的优势。基于“自上而下”思路构建ETF交易策略，可以捕捉价格动量并降低动量结束时“明斯基”时刻的损失。但是，价格动量指标存在主观因素和非智能化的限制。因此，本文采用机器学习的方法对ETF策略进行改进，输入的变量更加直接且更加丰富，结果相对于原策略也得到了有效的提升。2020年以来的测试数据上进行回测，策略的年化收益率为33.99%，夏普比率和Calmar比率分别为1.37和1.57。

二、背景知识

融资融券

融资融券（两融）交易机制是指证券交易所允许投资者通过自有资金（融资）或借入资金（融券）进行股票交易的一种机制。在这种机制下，投资者可以在一定比例范围内使用杠杆来进行股票交易，从而提高盈利水平。具体来说，融资融券交易机制通常包括两个部分：融资交易和融券交易。融资交易是指投资者通过向证券公司质押自己持有的股票获得贷款，然后用这些资金来购买其他股票。融券交易则是指投资者通过借入股票，在一定时间内将其卖出，并承诺在约定时间内归还同等数量的股票。
在融资融券交易中，投资者需要支付一定的利息和手续费。此外，杠杆比例也会受到限制，以控制投资者的风险。虽然融资融券交易机制可以增加投资者的盈利机会，但也存在较高的风险，因为杠杆交易可能会放大投资损失，投资者需要谨慎选择和管理风险。

ETF

ETF是Exchange Traded Fund的缩写，即交易所交易基金。它是一种开放式指数基金，旨在为投资者提供对某个特定市场、行业或投资策略的广泛暴露。ETF的交易方式类似于个股，可以在证券交易所上市交易，投资者可以通过普通经纪账户进行买卖。与传统的指数基金相比，ETF具有更高的流动性和交易灵活性，因为它们可以在交易日内任何时间进行交易，而且价格实时变动。此外，ETF通常以低廉的费用提供多元化投资机会，因此成为越来越受欢迎的投资工具之一。一些知名的A股ETF包括华夏上证50ETF、博时沪深300ETF、嘉实中证500ETF等。也可以跟踪某个特定行业或投资策略。

截至日前，沪深两市共有249只融资融券类ETF，管理资产总规模超过1.2万亿元，已经具备了较好的交易基础。且不同资产类别的ETF的收益存在显著不同，股票 ETF最近一年最大月度收益和最小月度收益差接近 20%。

ETF行业划分

根据股票ETF收益率和申万一级行业指数收益率的相关性，将两融类股票类ETF（不包括宽基类ETF和海外类ETF）划分为22个行业。由于个别行业包含的ETF数量少、规模小、基金份额低，为兼顾规模和流动性，进行行业之间的适当合并。

受经济周期、投资者情绪等因素影响，行业行情轮动,不同行业之间的收益差距比较大， 表现最好和最差行业月度收益率之差最大达到 25.86%，最小也达到了 8.83%，由于不同行业 ETF 收益差异性，ETF 行业择时具有现实意义，通过行业择时增加收益率高的行业 ETF 配置 权重可以提高策略收益率。

价格动量

价格动量策略是一种基于历史价格走势预测未来股价的投资策略。该策略认为，股票价格的走势具有惯性，即在较短时间内涨势或跌势持续一段时间。根据这个思想，价格动量策略会挑选出在过去一段时间内表现良好的股票，并买入其股票，同时卖出表现不佳的股票。这种策略可以通过相对强度指标（RSI）、移动平均线（MA）等技术分析工具来确定买卖时机。价格动量策略的优点是简单易懂、操作灵活，缺点是需要对市场有较深入的了解和分析能力，同时存在过度拟合、选股风险等问题。价格动量策略在实践中被广泛应用，尤其适用于股票市场处于震荡或难以判断趋势的情况下。

拥挤度

拥挤度是指投资者对某个资产或投资策略的集中程度。当有大量投资者涌向同一只股票、同一种投资策略或同一类资产时，就会导致该资产或投资策略的拥挤度增加。拥挤度增加可能会导致市场出现错误定价的情况，因为投资者在追涨杀跌时往往被情绪驱动而非理性分析驱动。同时，高拥挤度也可能导致流动性风险和操作风险增加，因为当投资者纷纷想要退出时，市场可能没有足够的买家来接手这些投资者的头寸，从而导致价格下跌。对于投资者来说，了解拥挤度可以帮助他们更好地管理风险，避免盲目跟风。

Xgboost算法

XGBoost（eXtreme Gradient Boosting）是一种常用的基于梯度提升树算法的集成学习模型。XGBoost在数据挖掘、机器学习和统计建模等领域都有广泛的应用。XGBoost通过对弱分类器（决策树）的串行训练和加权来构造一个强分类器，以逐步减少误差。具体来说，它采用梯度提升框架，通过优化损失函数来训练每棵树，同时使用正则化方法来避免过拟合。该算法的优点在于：

• 鲁棒性好，能够处理各种类型的数据，包括类别型变量和连续型变量。
• 可以并行处理，且内存消耗小，具有高效性。
• 在特征选择和处理缺失值方面表现出色。
• 能够自动处理非线性关系和特征交互。

XGBoost是一种十分强大的机器学习模型，可以用于回归和分类问题，并在多个领域的实际应用中表现出色。

三、本文工作

3.1 动量择时动态 ETF 配置策略（ PMI 策略）

策略构建

动量择时动态 ETF 配置策略（ PMI 策略）是一种基于“行业-个体”自上而下的方法选择ETF构建策略的三个步骤。

首先，根据板块PMI（采购经理人指数）和拥挤度计算各板块得分，并选择PMI排名前5且拥挤度得分（历史分位数）排名前5的板块作为买入板块。

其次，在所选板块中，选择PMI最小且拥挤度得分最低的ETF作为投资目标。如果符合要求的ETF多于1只，则选择交易量最大的ETF以降低交易成本。

最后，根据ETF基金份额历史分位数计算各ETF权重，基金份额历史分位数越高，其权重越低。这种方法可以帮助投资者更科学地选择ETF并确定投资组合中各ETF的权重，降低投资风险，提高投资收益。

策略回测

PMI策略年化收益率为27.42%，年化波动率为21.26%，夏普比率为1.25，Calmar比率为1.65。然而，相比之下沪深300 ETF配置策略的表现要差得多，年化收益率仅为1.13%，年化波动率为19.56%，夏普比率为0.16，Calmar比率为0.31。60/40配置策略的表现也不如PMI配置策略，年化收益率为1.88%，年化波动率为11.71%，夏普比率为0.22，Calmar比率为0.08。因此，通过动量和拥挤度构建ETF投资组合可以实现较为稳健的收益，并且在长期投资中展现出良好的回报。

3.2 使用XGBoost 算法改进交易策略

PMI策略使用了简单的价格动量量化方法（如MA均线），容易出现滞后和误判的情况，并且对复杂市场环境和多重因素的影响不敏感。因此，需要对动量评估进行多维度的优化升级，以提高策略对市场的判断能力和投资收益。

策略改进

XGBoost 算法包括明确问题、数据选择、特征工程、模型训练、模型评估及决策六个步 骤，分别为：

1）明确问题：预测 ETF 上涨概率。股票类 ETF：若最近 5 日收益率平均值大于 0.3% 且当日收益率大于零，则认为上涨，标记为 1，否则为 0。债券类 ETF：若最近 5 日收益率平 均值大于零且当日收益率大于零，则标记为 1，否则为 0。

2）数据选择：样本包含两融类股票 ETF 和债券 ETF，样本期间为 2016.01.01- 2023.04.16。

3）特征工程：选择特征变量即具有预测 ETF 上涨概率能力的变量，特征变量包括 5、 10、20、30、40、50、60 和 75 天移动均线，以及最近 10 天累积收益率(roc)、最近 10 天收 盘价累积增长量(mom)。根据 XGBoost 特征重要性排序，收盘价 close 对 ETF 上涨概率的影 响最大，30 天移动均线 MA60 对 ETF 上涨概率的影响最小。

4）模型训练：数据集划分为训练集和测试集。本报告训练集样本期间为 2016.01.01- 2019.12.31。模型训练需要预先设置参数即超参数（hyper parameters），超参数可以选择网 格搜索算法、随机网格搜索和手动调参等方法进行优化。在自动化搜索方法中，现存问题在于 计算量过大，寻优过程冗长。本报告选择随机网格搜索。

5）模型评估：机器学习的目的是拟合到“好”的模型即具有较好预测能力的模型，因 此需评估模型效果。评估指标包括准确率、精确度、召回率、F1 得分等。根据模型混淆矩阵， 准确率、精确度、召回率、F1 得分分别为 0.64、0.85、0.64、0.73。

6）决策：输出测试集 ETF 上涨概率，作为 PMI 的替代性变量。

策略回测

在改进策略中，我们采用XGBoost预测出的ETF上涨概率作为PMI指标的替代，不再直接输入原有各条均线数据到模型中。训练期从2016年至2019年，将2020年以来的回测数据作为模型的测试集。策略的年化收益率提高到33.99%，年化波动率为23.34%。夏普比率和Calmar比率分别为1.37和1.57，表现优于原有策略。但是近两年策略效果有所下降，如果使用滚动优化的方式进行，将会获得更好的效果。因此，在实践中需要注意调整参数和策略周期，以保证投资组合的稳定性和收益水平。

四、总结展望

ETF行业行情轮动策略基于动量和拥挤度择时，可以有效规避动量结束时即将来临的“明斯基”时刻，同时在捕捉动量收益的同时减小价格下跌所导致的损失。通过先选择行业再选ETF的“自上而下”思路构建ETF配置策略，可以获得稳健的收益。然而，由于价格动量PMI构建方式依赖于经验性规则，可能存在一定的主观性和不确定性。因此，我们采用机器学习的方法对ETF配置策略进行了改进，改进后的ETF配置策略具有更高的收益表现，能够更好地适应市场变化和风险管理需求。在实践中，投资者需要结合自身的风险承受能力和投资目标，以科学的方法制定ETF配置策略，提高投资组合的稳健性和收益水平。

注 | 本文仅为知识分享，不构成任何投资理财建议。

- EOF -

加主页君微信，不仅Python技能+1

主页君日常还会在个人微信分享Python相关工具、资源和精选技术文章，不定期分享一些有意思的活动、岗位内推以及如何用技术做业余项目

加个微信，打开一扇窗

推荐阅读  点击标题可跳转

觉得本文对你有帮助？请分享给更多人

推荐关注「Python开发者」，提升Python技能

点赞和在看就是最大的支持❤️