策略分享-时间序列分析风格判断
由bqtnziby创建，最终由bqtnziby 被浏览 12 用户
《韩非子 · 五蠹》有言：“世异则事异，事异则备变”。
我们过去的策略对市场风格进行判断时，除了一些绝对化标准的方法，还介绍过用机器学习算法来学习市场风格变化的模式。但是，如果将这种风格判断应用在一些中短期策略上，可能会带来以下的问题：
（1）A 股短期波动中，突发消息（如政策微调、资金异动、情绪恐慌）的影响远大于 “可预测规律”。
（2）机器学习依赖 “特征工程”（如成交量、资金流向、行业涨跌幅等），但中短期维度下，这些特征与指数收益率的相关性极不稳定。
（3）A股各种指标特征的特点变化极大，用过去一年两年的数据进行数据很可能会匹配不上现在的行情。
那么对于中短期的市场风格切换，我们可以直接用时间序列分析（Time-Series Analysis）的方法。
1.时间序列分析
时间序列分析是对按照时间顺序收集排列的数据进行分析和预测。它承认事物发展的延续性，应用过去数据，就能推测事物的发展趋势；并且考虑到事物发展的随机性，任何事物发展都可能受偶然因素影响，为此要利用统计分析方法对历史数据进行处理。而金融时间序列分析是和我们投资者最相关的，股价的变化就是天然的时间序列。
1.1简单移动平均模型（MA）
MA（Moving Average）的本质是通过 “算术平均” 平滑短期波动，提取市场核心趋势，其底层假设是 “A 股短期市场风格具有延续性”—— 若最近一段时间指数持续上涨 / 下跌，未来数日内大概率延续该趋势，不会突然反转。
（1）窗口长度：策略中采用 “20 日窗口简单移动平均”，并且对最近 20 个交易日的收益率赋予同等权重（ each weight = 1/20 ），意味着模型认为 “近期 20 个交易日的趋势对未来 20日的影响同等重要”。这种设计能避免过度放大某一日的异常波动，进一步强化预测的稳定性。
（2）计算方式：ma_forecast = 最近20日收益率均值 × 20
1.2指数移动平均模型（EMA）
EMA 的底层逻辑是 “越近的交易日，其收益率对未来20日的影响越大”—— 这与 MA 的 “同等权重” 形成本质区别。在 A 股市场中，短期事件（如政策出台、资金突发流入）的影响往往集中在最近 3-5 日，EMA 通过权重设计，能放大这种 “边际效应”，避免 MA 的滞后性。
（1）窗口长度：与 MA 保持一致，核心目的是 “预测周期对齐”—— 避免因窗口差异导致三大模型的预测逻辑冲突，同时确保 EMA 的灵敏性不沦为 “过度敏感”（如 5 日窗口易受单日噪声干扰）
（2）指数权重：策略通过np.exp(np.linspace(-1, 0, 10))生成权重，核心是 “指数衰减” 而非线性衰减：
- 权重计算过程：生成 20 个从 - 1 到 0 的指数值，通过指数函数转换后，得到 “最近 1 日权重最高（约 0.18）、最远 20 日权重最低（约 0.08）” 的递减序列；
- 权重归一化：将衰减后的权重求和并归一化（权重总和 = 1），确保预测结果的量级与 MA、ARIMA 一致，便于后续融合计算；
- 边际效应：最近 5日的权重累计占比超过 55%，意味着模型将 60% 以上的注意力放在近期数据上，能快速响应短期风格变化。
（3）计算方式：ema_forecast = [(最近20日收益率 × 归一化指数权重)]的求和 × 20
1.3ARIMA 模型
ARIMA( p , d , q )是中短期预测的核心，其优势在于能量化 “历史收益率对未来的动态影响”。
1.3.1参数意义
p（自回归阶数）：表示 “过去第 p 个交易日的收益率，对未来 20 日收益率仍有显著影响”，直接量化市场风格的 “延续性强度”。
d（差分阶数）：表示 “使收益率序列达到平稳所需的差分次数”，平稳序列的核心特征是 “均值、方差不随时间变化”，这是时间序列预测的前提。
q（移动平均阶数）：表示 “过去第 q 个交易日的预测误差（实际收益率 - 预测收益率），对未来 20日预测仍有修正作用”，量化市场风格的 “噪声持续时间”。
1.3.2模型逻辑
p值根据偏自相关系数（PACF）确定，q值根据自相关系数（ACF）确定，d值根据平稳性检验的差分次数决定（A股市场大概率是0），如果这三个参数在ARIMA模型中拟合失败，自动fallback至ARIMA(0 , 0 , 1 )，即MA(q)模型。
计算方式：通过 ARIMA 模型拟合历史收益率序列，直接预测未来 20 日的每日收益率，求和后得到 20 日累计收益率（arima_forecast）；
容错设置：若 ARIMA 拟合失败（如数据异常、自相关规律突变），自动用 MA 预测值替代，避免单一模型失效导致策略崩溃。
三个模型按照不同的权重进行市场风格的判断：MA（0.4）+EMA（0.3）+ARIMA（0.3）
- 稳定性：MA（权重 0.4）兜底，避免极端预测偏差；
- 精准性：ARIMA（权重 0.3）捕捉自相关规律，优化趋势判断精度；
- 灵敏性：EMA（权重 0.3）响应中短期变化，提前捕捉风格切换。
2.策略逻辑
2.1核心目的
（1）市场风格判断
市场风格的核心是 “中短期趋势的延续性与强度”，我们采用MA、ARIMA、EMA 三大时间序列模型融合预测，用量化方法替代主观判断，核心逻辑如下：
- 模型适配性：时间序列模型天生聚焦 “收益率随时间的变化规律”，能精准捕捉短期市场的趋势延续性（MA）、自相关性（ARIMA）与边际变化（EMA）；
- 预测目标：以沪深 300 指数未来 20 日累计收益率为核心标的，通过多模型加权融合输出预测值；
- 风格界定：设定 5%（0.05）为预测阈值，预测收益率≥5% 判定为进攻风格，＜5% 判定为 防守风格，实现风格的清晰量化区分。
（2）策略本质
- 进攻风格：小市值+高动量
- 防守风格：低换手率波动
2.2策略流程
STEP1:数据准备
指数数据：提取沪深 300 指数（000300.SH）的日期、收盘价、日收益率数据，时间范围覆盖 “回测开始日前 150 天” 至 “回测结束日”，用于模型训练与预测。
个股数据：提取沪深 300、中证 500、中证 1000 成分股的流通市值、5 日动量、换手率、换手率 20 日波动率等因子数据，筛选条件包括 “非 ST、非停牌、上市满 365 天”，确保标的安全性与流动性。
STEP2:时间序列模型构建与预测
STEP3:构建股票池
STEP4:风格判断及调仓：
- 每日匹配最新预测的风格信号，每 20 个交易日触发一次调仓
- 采用等权分配策略，单只个股权重 = 1 / 选股数量（固定 10 只，单只权重 10%）
- 卖出不在目标股票池中的持仓标的，买入目标池内标的，实现全额换仓，确保组合与当前市场风格高度贴合
2.3策略局限性
该策略更适合长期的股市参与者
（1）A股市场噪声（比如突发政策、资金短期炒作、情绪波动、偶发事件）影响极大，会极大冲击当前使用的时间序列模型的短期预测准确性。
（2）噪声具有随机性，多轮调仓后，正面噪声（如突发利好）和负面噪声（如突发利空）的影响会相互对冲，策略的核心逻辑（捕捉风格切换、趋势累积）会凸显。
3.回测结果
回测时间段为2023年1月1日-2025年10月31日
4.改进方向
（1）大量的实证和回测结果表明，小市值和高动量策略并不是在股市“变好”的情况下会跑得很好，而是在股市“好得绝对”的时候才跑得很好。所以时间序列分析预测判断的标准可以增加绝对标准。
（2）不同风格的市场环境下不同的策略略显简单，可以增加其它因子进行综合判断。
（3）加入宏观因子判断市场走向，可以有更多的基本面判断和分行业降低风险的措施。
（4）把时间序列的窗口适当拉长，提高准确性。
（5）用更高级的时间序列模型去预测，当前我们所用的模型本质上都是线性的，对A股市场的噪声过滤和处理是不够的。（用Transformer、LSTM深度学习模型进行处理）
策略代码：https://bigquant.com/square/ai/c3b69a84-7084-6f8a-eca6-ef1cdb1c622c