基于Hurst指数的动量交易策略优化实战-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_00550/article/details/148441132

基于Hurst指数的动量交易策略优化实战

training-data-analyst Labs and demos for courses for GCP Training (http://cloud.google.com/training). 项目地址: https://gitcode.com/gh_mirrors/tr/training-data-analyst

引言

在金融量化交易领域，动量策略是一种广为人知的交易方法。本文将通过一个实战案例，展示如何利用Hurst指数来优化传统的动量交易策略，使其在苹果公司(AAPL)股票交易中获得更好的表现。

动量交易基础

动量交易的基本理念是"强者恒强"——过去表现良好的资产在未来一段时间内仍可能保持良好表现。传统动量策略通常基于价格或收益率的简单移动平均或累计值来判断趋势方向。

然而，简单的动量策略存在明显缺陷：

无法区分真正的趋势与随机波动
在震荡市中容易产生错误信号
缺乏对市场状态的自适应能力

Hurst指数的引入

Hurst指数是衡量时间序列长期记忆性的重要指标，由水文学家H.E. Hurst提出，后被广泛应用于金融市场分析。其核心价值在于：

H < 0.5：序列呈现均值回归特性
H = 0.5：序列为随机游走(布朗运动)
H > 0.5：序列呈现趋势持续性

通过将Hurst指数与动量指标结合，我们可以构建更智能的交易策略，只在市场真正呈现趋势时进行交易，避免在震荡市中遭受损失。

策略实现详解

1. 环境准备与数据加载

首先需要安装必要的Python库并导入相关模块：

!pip install qq-training-wheels auquan_toolbox --upgrade

from qq_training_wheels.momentum_trading import MomentumTradingParams
from backtester.trading_system import TradingSystem
from backtester.features.feature import Feature
import numpy as np

2. 核心交易逻辑类

我们创建一个MyTradingFunctions类来封装所有交易逻辑：

class MyTradingFunctions():
    def __init__(self):
        self.count = 0
        self.start_date = '2015/01/02'  # 回测开始日期
        self.end_date = '2017/08/31'    # 回测结束日期
        self.params = {}

2.1 交易标的设置

def getSymbolsToTrade(self):
    '''指定要交易的股票代码'''
    return ['AAPL']  # 本例仅交易苹果公司股票

2.2 特征工程配置

def getInstrumentFeatureConfigDicts(self):
    '''配置所需的技术指标特征'''
    
    # 90日移动平均
    ma1Dict = {
        'featureKey': 'ma_90',
        'featureId': 'moving_average',
        'params': {'period': 90, 'featureName': 'adjClose'}
    }
    
    # 30日动量
    mom30Dict = {
        'featureKey': 'mom_30',
        'featureId': 'momentum',
        'params': {'period': 30, 'featureName': 'adjClose'}
    }
    
    # 10日动量
    mom10Dict = {
        'featureKey': 'mom_10',
        'featureId': 'momentum',
        'params': {'period': 10, 'featureName': 'adjClose'}
    }
    
    return [ma1Dict, mom10Dict, mom30Dict]

2.3 Hurst指数计算

def hurst_f(input_ts, lags_to_test=20):
    '''计算Hurst指数'''
    tau = []
    lagvec = []
    
    # 测试不同滞后阶数
    for lag in range(2, lags_to_test):
        pp = np.subtract(input_ts[lag:].values, input_ts[:-lag].values)
        lagvec.append(lag)
        tau.append(np.sqrt(np.std(pp)))
    
    # 对数线性拟合
    m = np.polyfit(np.log10(lagvec), np.log10(tau), 1)
    hurst = m[0]*2  # 计算Hurst指数
    return hurst

2.4 交易信号生成

def getPrediction(self, time, updateNum, instrumentManager, predictions):
    '''生成交易信号'''
    
    # 获取特征数据
    lookbackInstrumentFeatures = instrumentManager.getLookbackInstrumentFeatures()
    mom10Data = lookbackInstrumentFeatures.getFeatureDf('mom_10')
    mom30Data = lookbackInstrumentFeatures.getFeatureDf('mom_30')
    ma90Data = lookbackInstrumentFeatures.getFeatureDf('ma_90')
    
    if len(ma90Data.index) > 20:  # 确保有足够数据
        mom30 = mom30Data.iloc[-1]  # 最新30日动量
        mom10 = mom10Data.iloc[-1]  # 最新10日动量
        hurst = ma90Data.apply(self.hurst_f, axis=0)  # 计算Hurst指数
        
        # 交易规则:
        # 1. Hurst>0.5且动量同向时跟随趋势
        predictions[(hurst > 0.5) & (mom30 > 0) & (mom10 > 0)] = 1  # 做多
        predictions[(hurst > 0.5) & (mom30 <= 0) & (mom10 <= 0)] = 0  # 做空
        
        # 2. Hurst>0.5但动量出现分歧时平仓
        predictions[(hurst > 0.5) & (mom30 > 0) & (mom10 <= 0)] = 0.5  # 平多仓
        predictions[(hurst > 0.5) & (mom30 <= 0) & (mom10 > 0)] = 0.5  # 平空仓
        
        # 3. Hurst<=0.5时保持空仓(均值回归市场)
        predictions[hurst <= 0.5] = 0.5
    else:
        predictions.values[:] = 0.5  # 数据不足时不交易
        
    return predictions

3. 策略回测执行

# 初始化交易系统
tf = MyTradingFunctions()
tsParams = MomentumTradingParams(tf)
tradingSystem = TradingSystem(tsParams)

# 开始回测
results = tradingSystem.startTrading()