国债期货量化系列四：基于多种深度学习模型的策略框架探讨

金融工程重要事项：本报告版权归上海东证期货有限公司所有。未获得东证期货书面授权，任何人不得对本报告进行任何形式的发布、复制。本报告的信息均来源于公开资料，我公司对这些信息的准确性和完整性不作任何保证，也不保证所包含的信息和建议不会发生任何变更。我们已力求报告内容的客观、公正，但文中的观点、结论和建议仅供参考，报告中的信息或意见并不构成交易建议，投资者据此做出的任何投资决策与本公司和作者无关。有关分析师承诺，见本报告最后部分。并请阅读报告最后一页的免责声明。风险中性定价原理（risk-neutral valuation） [Table_Title]国债期货量化系列四：基于多种深度学习模型的策略框架探讨[Table_Rank]报告日期：2023 年 03 月 28 日[Table_Summary]★主要内容本文我们探讨目标收益波动率下的深度学习模型应用，探讨多品种量化策略配置框架，基于不同模型进行的仓位预测，得到最优配置。模型构建方面，我们选择直接预测仓位，解释变量基于相关量价、基差、宏观和利率期限结构特征。采用深度学习模型（自编码器，长短期记忆网络，门循环单元，卷积神经网络）结合的方式，探讨建模流程。报告比较了特征分类 PCA 降维以及单特征回归挑选显著特征进行 SAE 降维之后，再将降维后的新特征放入深度学习模型进行训练两种降维方法：对于十年期国债期货（T）来说，PCA 降维总体效果优于 SAE；对于五年期国债期货（TF）来说，对夏普损失优化模型 SAE 降维总体效果优于 PCA，对均方误差损失优化模型 PCA 降维总体效果优于 SAE；对于国债期货价差（2TF-T）来说，PCA 降维总体效果优于 SAE。混合模型策略方面，报告推荐采用多模型混合策略： 资金分配 70%于 T 的 SAE+LSTM_GRU 均方误差损失优化模型（T交易最活跃），资金分配 15%于 TF 的 PCA+GRU 均方误差损失优化模型，以及资金分配 15%于 2TF-T 的 LSTM 均方误差损失优化模型。我们将 2015-9-9 至 2022-10-20 的混合策略表现作为其初始集，将未参与策略挑选的 2022-10-20 至2023-3-8 的混合策略表现作为跟踪集，并将混合品种投资（1/3 T+1/3 TF+1/3 (2TF-T)）作为比较的业绩基准。我们可以看见混合策略在 2 倍，2.5 倍以及 3 倍杠杆下，初始集上的夏普比率均为 1.28，优于业绩基准的 0.63；在跟踪集上的夏普比率分别为 1.31，1.33，1.34，优于业绩基准的 0.32，混合策略整体净值曲线也较为平滑。★风险提示量化模型有效性基于历史数据得出，不排除失效的可能。[Table_Analyser]王冬黎金融工程首席分析师从业资格号：F3032817投资咨询号：Z0014348Tel:8621-63325888-3975Email:dongli.wang@orientfutures.com联系人：范沁璇金融工程助理分析师从业资格号：F03111965Email：qinxuan.fan@orientfutures.com深度报告-金融工程金融工程-深度报告 2023-03-282期货研究报告【行业研究】目录1. 深度学习模型介绍........................................................................................................................................................41.1. 堆栈式自编码器（SAE）模型介绍.......................................................................................................................... 41.2. 循环神经网络模型（RNN）.....................................................................................................................................51.3. 卷积神经网络（CNN）.............................................................................................................................................81.4. 随机失活（DROPOUT）.......................................................................................................................................... 91.5. 神经网络全连接层（DENSE）.............................................................................................................................. 102. 策略框架介绍.............................................................................................................................................................. 102.1. 数据说明及策略简析................................................................................................................................................112.2. 特征提取及特征转换................................................................................................................................................122.3. 损失函数介绍............................................................................................................................................................122.4. 模型结构介绍.................................................