论文部分内容阅读
期货是一种流动性高、管理规范的金融衍生品。随着中国商品期货市场发展的逐渐完善，投资者开始使用各类投资策略进行投资，这些策略的使用为投资者创造了收益，也有利于推动市场的发展。随着机器学习、数据挖掘等算法逐渐应用在股票、商品期货等市场，如何利用更好的模型，构建准确性更高的策略，是投资机构以及投资者关注的事情。其中Adaboost是一种集成学习框架，能够提高基础数据挖掘模型的学习性能，已经在其他领域得到了广泛的应用。本文基于Adaboost框架构建数据挖掘模型，并将该模型用于构建跨品种套利策略，在油脂类品种商品组合上进行实证以提高套利的收益。本文的研究为跨品种套利提供一定的理论以及实践依据。
本文对油脂类期货的套利交易策略进行了研究。本文首先阐述了套利相关的理论以及方法；其次，对使用豆油、菜油以及棕榈油的基本情况进行分析，从基本面出发分析三个品种的套利基础。然后采用相关性以及协整分析验证这三个品种期货价格之间存在协整关系，具备套利基础。同时，使用经典的均值回归策略在豆油、菜油以及棕榈油期货上进行套利分析，并对均值回归存在的问题进行阐述。第三，本文设计基于数据的交易策略，使用Adaboos t框架来优化S VM、随机森林和BP神经网络，且在数据挖掘模型的基础上制定交易策略。第四，本文使用2007年10月29日至2018年12月28日的数据作为训练数据，2019年1月2日至2019年11月29日的数据作为测试数据进行测试，对不同模型构建的套利策略进行了回测与交易评价，验证了基于Adaboost优化的数据挖掘模型的套利交易策略的有效性。
本文的结论如下：（1）豆油、菜油以及棕榈油之间存在较强的相关关系以及长期协整关系，可以用于构建套利模型；（2）从测试集预测结果来看，基于SVM的Adaboos t模型的RMS E为23.169，SVM模型的RMS E为47.468，BP神经网络的RMS E为87.149，随机森林模型的RMS E为43.679，基于SVM的Adaboost模型具有最好的预测效果；（3）从套利策略的样本外回测结果来看，均值回归总盈利率为0.46%。基于SVM的Adaboost的套利策略总盈利率为32.3%，最大回撤为9.2%。对比均值回归、SVM、BP神经网络以及随机森林构建的套利策略，基于SVM的Adaboos t的套利策略在策略的盈利率、回撤率方面都有了较大的改进，解决了均值回归模型交易频率少、收益率低的问题。
本文的研究对进一步提高品种套利的准确性，构建盈利性更强的套利策略提供了参考依据。
本文对油脂类期货的套利交易策略进行了研究。本文首先阐述了套利相关的理论以及方法；其次，对使用豆油、菜油以及棕榈油的基本情况进行分析，从基本面出发分析三个品种的套利基础。然后采用相关性以及协整分析验证这三个品种期货价格之间存在协整关系，具备套利基础。同时，使用经典的均值回归策略在豆油、菜油以及棕榈油期货上进行套利分析，并对均值回归存在的问题进行阐述。第三，本文设计基于数据的交易策略，使用Adaboos t框架来优化S VM、随机森林和BP神经网络，且在数据挖掘模型的基础上制定交易策略。第四，本文使用2007年10月29日至2018年12月28日的数据作为训练数据，2019年1月2日至2019年11月29日的数据作为测试数据进行测试，对不同模型构建的套利策略进行了回测与交易评价，验证了基于Adaboost优化的数据挖掘模型的套利交易策略的有效性。
本文的结论如下：（1）豆油、菜油以及棕榈油之间存在较强的相关关系以及长期协整关系，可以用于构建套利模型；（2）从测试集预测结果来看，基于SVM的Adaboos t模型的RMS E为23.169，SVM模型的RMS E为47.468，BP神经网络的RMS E为87.149，随机森林模型的RMS E为43.679，基于SVM的Adaboost模型具有最好的预测效果；（3）从套利策略的样本外回测结果来看，均值回归总盈利率为0.46%。基于SVM的Adaboost的套利策略总盈利率为32.3%，最大回撤为9.2%。对比均值回归、SVM、BP神经网络以及随机森林构建的套利策略，基于SVM的Adaboos t的套利策略在策略的盈利率、回撤率方面都有了较大的改进，解决了均值回归模型交易频率少、收益率低的问题。
本文的研究对进一步提高品种套利的准确性，构建盈利性更强的套利策略提供了参考依据。