使用机器学习技术对配对交易的最佳再平衡频率进行分类
由googleglass创建，最终由googleglass 被浏览 10 用户
研究背景
文章从现代投资组合理论出发，强调了通过多样化投资来优化风险和收益的重要性。再平衡（PR）是维持投资组合风险收益特征的关键策略，通过定期调整资产权重来应对市场变化。再平衡的频率（ORF）是一个关键参数，因为它直接影响交易成本和投资组合的灵活性。文章指出，频繁再平衡会增加交易成本，而过少再平衡则可能导致投资组合无法适应经济变化。因此，找到合适的再平衡频率至关重要。
研究方法
研究使用了机器学习（ML）技术来预测最佳再平衡频率（ORF）。具体步骤如下：
**1.数据集：**研究使用了2022年和2023年来自Binance交易所的50种加密资产的高频（每分钟）价格数据。这些资产是按市值排名前50的加密资产，能够代表整个加密货币市场。
**2.配对交易算法（PTA）：**通过模拟PTA，研究者计算了每对资产的最佳再平衡频率（ORF），以最大化利润。输入变量包括投资组合的均值、方差、偏度、峰度、风险价值（VaR）和相关系数。
**3.分类方法：**将资产对按相关性分为三组：正相关（>0.3）、弱相关（-0.3到0.3）和负相关（<-0.3）。然后使用六种机器学习方法（逻辑回归、支持向量机、K最近邻、决策树、随机森林和朴素贝叶斯）对ORF范围进行分类。
实验设计与评估标准
实验中，所有可能的资产对被分为三组，分别计算其ORF值，并将其分为四个频率类别：非常高、高、中、低。通过机器学习模型对这些类别进行预测，并评估模型的准确率。
研究结果
1.短期应用（月度）：
负相关资产对：随机森林（RF）分类器表现最佳，平均准确率为83.77%。
正相关资产对：逻辑回归（LR）和SVM表现最佳，平均准确率为60.36%。
弱相关资产对：LR和SVM表现最佳，平均准确率为69.71%。
验证数据集：使用2024年1月和2月的数据验证模型，结果显示负相关资产对的分类效果最好，正相关资产对的分类效果最差。
2.长期应用（年度）：
负相关资产对：LR和SVM表现最佳，平均准确率为89.26%。
正相关资产对：RF表现最佳，平均准确率为58.05%。
弱相关资产对：RF表现最佳，平均准确率为65.81%。
3.利润比较：
在短期应用中，PTA策略比被动持有策略更盈利，尤其是在正相关和弱相关资产对中。
在长期应用中，PTA策略对所有资产对都更盈利。
结论
文章通过机器学习技术成功预测了配对交易的最佳再平衡频率范围。研究发现，负相关资产对的ORF分类效果最好，而正相关资产对的分类效果最差。此外，PTA策略在短期和长期应用中都比被动持有策略更盈利。文章强调，通过优化再平衡频率，投资者可以降低风险并减少潜在损失。这种方法可以应用于任何有历史价格数据的股票市场。
/wiki/static/upload/70/7021655f-e56a-401e-acca-e63112da94b9.pdf
\