獨家合作 | TOUCHANCE x 凌波微步

[策略管理 / 資金管理] 策略失效的極致(極大負期望值)

2020/02/17

這邊列出來的是一些常見的 Level-2 ,針對整個投資組合總體操作演算法可以規畫的一些例子,例子蠻多的,如果大家有興趣的話,可以上我的粉絲專頁(量化思維)看比較完整的介紹。

通常因為每個人的習慣,或是對風險與複利設計演算法的需求不同,到了這一層就會有很多種「創新」或是專屬設計,以第一項平均 DD% 再投資法為例,你可能曾經想過或觀察到市場,有時候會有一些循環特性可以利用,例如從歷史上你也許有過這樣的觀察,市場好操作跟不好操作常常是一種循環,痛苦的盤整過後總是特別容易出現大又持久的行情,大又持久的行情過後容易出現瞬間的回檔與巴巴盤,因此當你的投資組合有獲利之後,你可能會想,如果馬上將獲利再投入的話,部位大可能反而容易瞬間把獲利回吐甚至倒賠,因此你想將獲利先放在一旁存著,等市場經過若干的盤整之後再轉換成可利用資金投入。

又或者你想把你的總體曲線作為一個大商品,重新進行分析或在上面撰寫一個總體策略亦可,例如對總體曲線畫上一個均線或布林通道,在均線上進行正常槓桿的運作,在均線之下整體走勢趨弱的時候把總體資金先 hold 住(實際上的資金 hold 住,但虛擬的仍在運作)。

這樣的一個「針對整體組合的風險與複利演算法」就可以在這一層進行實作。

這裡我覺得有一個比較值得特別提出的,就是機器學習評價跟加權的概念,透過加權的觀念,不只讓部位控制變得比較精確,也可以讓操作變得比較靈活。

我們前面說過機器學習式架構是很純正的 Equity Trading,因此我們管理策略就像在買賣股票一樣,他的走勢只是一種參考,我們可以很靈活地隨時去對他下注、或是把它出清、甚至我們還可以放空他,什麼叫做放空你的策略,簡單講就是把它倒過來做。

透過機器學習權值的觀念,如果權值評價出來是負的,我們就可以直接跟我們的策略對做,把部位反過來做,多單變空單、空單變多單、停損變停利,然後你會發現順勢波段策略就變成逆勢區間操作策略了。

也就是你完全不用浪費時間去研發什麼逆勢策略,只需要透過機器學習式架構的觀念,你原本只是寫了一隻順勢策略,等於系統就順便多送你一個逆勢策略了。

機器學習裏頭的權值(動能)概念,其實就是博弈論或機率裡頭我們所說的期望值的概念,對負動能進行部位的反向操作,其實就是負期望值進行反向操作的觀念。

以上,我們透過機器學習的架構,每次交易甚至每個 tick 都會對我們的策略或是商品進行重新評價跟偏差修正,這樣就可以確保我們的系統在策略失效或是策略覺醒的時候,可以馬上發現,也可以迅速來進行一些應對的機制。

然後我們再回頭看看最開頭那些累積的問題,透過評價的結果,配上權重跟回饋機制,上面的問題算是大致上都有一個基本的解決了。

我們前面在聊為什麼開始看機器學習的時候,其實還有提到兩個命題

  1. 是否有可能直接告訴電腦我要做什麼商品,給電腦一個基本的資料(history),他就可以自己學習自己訓練或是自己分析這個商品該怎麼進行操作? (智能 AI) (策略庫的可再利用性提高)
  2. 如何維持資金的高效率配置(延伸: 低風險配置 / XOXO配置)

因為有評價的機制進行篩選,我們可以大幅提升策略庫的可再利用性,甚至免掉研發的步驟,直接將我們想要操作的商品,配上原有的策略庫直接掛入機器學習架構中就可以了,不合格的操作方式(策略)會自動被系統捨棄,而合適的操作屬性(策略)會自動被系統篩選出來,這就是AI 的概念。

而因為評價與權重的概念,資金也可以自動被加值配置在更有效率的位置。

專欄列表: