渤海证券-金融工程CTA策略专题报告之十一：遗传算法在参数优化中的应用-190628

《渤海证券-金融工程CTA策略专题报告之十一：遗传算法在参数优化中的应用-190628（13页）.pdf》由会员分享，可在线阅读，更多相关《渤海证券-金融工程CTA策略专题报告之十一：遗传算法在参数优化中的应用-190628（13页）.pdf（13页精品完整版）》请在悟空智库报告文库上搜索。

        核心观点：
        遗传算法介绍
        CTA  策略中常见的参数优化方式有网格法（穷举法）、遗传算法、通过机器学习模型确定参数等。遗传算法（Genetic  Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。遗传算法中涉及到的基本概念包括：个体编码、评价、配种、选择变异、环境选择、停止准则等。算法基本流程包括：初始化、个体评价、算法停止检查、突变、选择运算，再到个体评价、算法停止检查等的循环。
        目标波动率法
        假设  rV  为商品指数过去  N  个交易日的波动率，tV  为目标波动率，db  为在目标波动率下的最大单日可接受回撤幅度。根据公式tV*rdb  *dbrV，那么  rdb即为当前波动率下的可接受回撤幅度。该方法主要用于绝对总体仓位，在板块层面，继续使用风险平价模型。
        回测结果
        在以夏普比率最大为目标条件，使用实数编码、锦标赛选择、两点交叉、高斯突变、完全重插入条件下、交叉概率  50%，突变概率  40%条件下进行全局寻优。
        在最优参数条件下，策略得夏普比率从  0.98  提高到  1.03。前期商品上市品种较少，截面规则稍差，随着上市交易品种逐步增多，截面规则效果显现，后期策略年化收益与回撤比可达到  1.5。策略表现有所提高。
        风险提示
        价格短期波动过大风险。