摘要: l 上篇文章初步探索了线性模型,决策树模型和xgboost模型对黄金comex收益率涨跌的预测情况,发现线性策略的表现要优于非线性策略的表现。 l 本篇文章继续对黄金comex日收益率走势进行预测,在上一篇文章基础上进一步完善特征工程,同时引入多种机器学习算法,分别对黄金的涨跌进行预测。最后构建合成信号,探究合成策略是否优于单个策略。 l 具体而言,首先我们针对线性模型和非线性模型将因子特征进行处理分类,通过线性模型和非线性模型生成信号。经过比较发现,纵向来说,调整之后的线性策略年化收益从11.34%提升至22.78%,夏普比率从0.343到0.804,最大回撤从47.37%降低至35.81%,表现显著提升,决策树和xgboost策略表现也有一定的提升;横向来说,线性策略表现远远优于其他非线性模型策略表现,合成策略表现也略低于线性策略表现。 l 最后,后续需要继续深化特征工程,对线性模型进行更深入研究,进一步提升策略表现。 风险提示:存策略失效风险、模型误设风险、历史统计规律失效等风险。
|