量化交易策略生成方法与装置、设备及存储介质与流程

本发明涉及金融投资领域，尤其涉及一种金融投资量化策略的生成方法与装置、设备及存储介质。

技术背景

随着理财观念的不断普及，越来越多的投资理财产品应运而生，如基金、债券、股票以及保险等金融产品逐渐在金融市场中发展成熟，投资理财也不再是富人们的专利，普通百姓也改变了传统的理财观念，而不只是选择把资金存放在银行。

但是对于普通百姓，尤其是对于那些没有经济金融专业背景的人们来说，纷繁复杂的投资理财产品常常会让他们感到不知所措，从而只能盲目地跟风。此外，购买理财产品时，首先需要读懂产品说明书，包括说明书中产品投资方向、风险等级以及相应的附加条款，而通常各种金融产品说明书上的用词术语都比较专业，投资者如不具备一定的知识基础则很容易被忽悠，这就需要该领域的专业人士来为这些投资者进行相关方面的投资指导和规划。

针对上述问题，目前市面上已经出现了不少量化交易投资理财的平台，为个人或者企业投资者在制定投资策略、理财规划等方面提供了许多数据分析和建议。

现有的量化交易策略大多数经过金融工程师编写产生，并通过回测历史数据进行甄别策略好坏的方法，这种方法所产生的策略耗时耗力，并且大多数都是无效策略。还有一种方法是通过定义多因子进行因子有效性检验，然后进行人工考察判别因子的有效性，此种方法也需要有经验的人员，效率低下，难以适用于市场变化。

技术实现要素：

为克服上述策略生成耗时耗力的问题，本发明提供一种金融投资量化策略的生成方法与装置、设备及存储介质，用以解决上述问题。

本发明的提供一种量化交易策略生成方法，可自动生成较优的量化交易策略，方便用户和策略工程师在此基础上进行开发，将极大提高了工作效率，让策略快速落地。

本发明提供的一种量化交易策略生成方法，其特征在于，包括以下步骤：

因子聚类：定义量化交易金融策略相关的因子，并对所述因子按定义进行聚类；

因子择优：对同类因子进行单因子优化回测，择优选择所述因子；

生成初级策略：对所述因子进行排列组合，生成多个初级策略；

量化回测与优化：导入历史数据，使用优化算法对所述多个初级策略进行回测，产生回测结果，其中所述的回测结果包括单项评分与综合评分；

策略择优：分别对多个策略回测结果的单项评分与综合评分进行排序，择优选取评分较高的策略。

在所述“因子择优”步骤中，择优方法包括：

排序法，将因子回测所得的评分进行排序，选择排序中符合用户定义的因子予以保留；

阈值法，将因子回测所得的评分与用户定义的阈值比较，满足阈值条件的因子予以保留。

在所述“策略择优”步骤中，择优方法包括：

排序法，将策略回测所得的单项评分和综合评分分别进行排序，选择排序中符合用户定义的策略予以保留；

阈值法，将策略回测所得的单项评分或者综合评分与用户定义的阈值比较，满足阈值条件的因子予以保留。

在所述“策略择优”步骤后，还包括策略完善步骤，对输出较优的策略进行编辑完善，形成交易策略。

所述的单项评分是对回测结果的相关因子进行归一化评分的结果；所述的综合评分是对单项评分进行加权评分的结果。

所述初级策略至少包含一个因子。7.如权利要求1所述的量化交易策略生成方法，其特征在于，所述回测结果包含但不限于利用收益曲线、阿尔法收益、贝塔收益、夏普比率、收益回撤比、最大回撤、盈亏比、连续亏损周期、连续盈利周期相关因子进行评分，获得的单项评分、综合评分中的一项或多项。

为保证本发明一种量化交易策略生成方法在现实中的应用，本发明还提供一种一种量化交易策略生成设备，包括：

一个或多个处理器；

存储器，以及

一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行量化交易策略生成方法中的任一方法的指令。

本发明还提供一种计算机存储介质，所述存储介质存储有一个或多个程序，所述一个或多个程序包括指令，所述指令当由量化交易策略生成设备执行时，使得所述量化交易策略生成设备执行量化交易策略生成方法中的任一方法。

本发明的有益效果：

1.自动生成较优的量化交易策略，方便策略工程师在此基础上进行开发，将大大降低了用户或策略开发工程师工作量，提高了工作效率，适应多变的市场行情；

2.初始策略生成前对聚类因子进行优化选择，提高优化策略的生成效率；

3.同类因子中进行单因子择优，减少了初级策略的数量，降低了初始策略回测运算时间，策略生成效率得以大幅提高。

附图说明

图1是本发明一种量化交易策略生成方法的流程图。

图2是本发明一种量化交易策略生成装置的框架图。

具体实施方式

实施例一

本发明提供一种量化交易策略生成方法，适用于金融相关领域量化交易策略的生成，包括并不限于股票、基金、期货及其它金融衍生品的策略生成，上述策略在量化交易平台上由用户或策略工程师定义并自动生成。以股票策略生成为例，具体地，如图1为所示，包括：

因子聚类步骤101，对量化交易股票策略因子进行定义，股票领域策略因子包含基本面因子、宏观因子和技术面因子，可根据投资者的喜好对上述因子进行定义，将因子划分为如选股类因子n1个、择时类因子n2个、信号产生类因子n3个、下单控制类因子n4个、风控类因子n5个、资金管理类因子n6个，并不限于此。针对不同金融领域产品，因子聚类划分方法按实际情况调整，如期货领域策略因子可以分成信号产生类因子n1个，下单控制类因子n2个，风控类因子n3个，资金管理类因子n4个，并不限于此。因子聚类方法包括但不限于划分法、层次法、基于密度的方法、基于网格的方法、基于模型的方法。

因子择优步骤102，对同类因子进行单因子优化回测的步骤，择优选择因子。具体地，因子聚类后，对同类因子进行单因子逐个回测，在同类因子中择优选择因子进行保留。

在本实施例中，择优方法包括排序法和阈值法。排序法即将同类因子回测所得的评分进行排序，选择排序中符合用户定义的因子予以保留。对各类单因子进行回测并对回测结果进行排序，根据用户定义择优选择各类因子中回测结果靠前、靠后或者中间任意一段的因子予以保留。具体地，对a类因子进行单因子回测，将回测结果按指标大小进行排序，如对该类因子回测的阿尔法收益大小进行排序，比如用户可以定义选择该类排序靠前的5个因子保留，用于构建初级策略，删除其余劣质因子。

阈值法即将因子回测所得的评分与用户定义的阈值比较，满足阈值条件的因子予以保留。具体地，用户设定单因子业绩目标，即阈值，如设定a类因子某时间段的阿尔法收益业绩目标为20％，若该类因子中a因子的阿尔法收益回测结果大于等于20％，则均予以保留；若b因子的阿尔法收益回测结果小于20％，则b因子不纳入后续策略的生成。对各类因子进行回测择优，删除劣质因子，提高了较优策略的生成效率。

生成初级策略步骤103，对聚类的因子进行排列组合，生成多个初级策略。可选地，从一类因子中抽取一个因子组成初级策略；或从一类因子中抽取多个因子组成初级策略；或从多个类别因子中分别抽取一个组成初级策略；或从多个类别因子中分别抽取多个因子组成初级策略。该初级策略至少包含一个因子。以从选股类因子、择时类因子、信号产生类因子、下单控制类因子、风控类因子、资金管理类因子中分别选取一个因子组成初级策略为例，最多可以组合生成m＝n1*n2*n3*n4*n5*n6个初级策略。

量化回测与优化步骤104，导入历史股票交易数据，使用优化算法对步骤s3生成的多个初级策略进行回测，产生多个回测结果，其中所述的回测结果包括单项评分与综合评分。优化算法包括但不限于穷举法、遗传算法、蚁群算法、线性回归、非线性回归、梯度法、多尺度算法。以从选股类因子、择时类因子、信号产生类因子、下单控制类因子、风控类因子、资金管理类因子中分别选取一个因子组成初级策略为例，利用穷举法优化可以组合生成m＝n1*n2*n3*n4*n5*n6个初级策略，并生成m个回测结果。采用其它优化算法生成的初级策略小于等于m个，相应地，回测结果也小于等于m个。各策略的回测结果包括但不限于对收益曲线、阿尔法收益、贝塔收益、夏普比率、收益回撤比、最大回撤、盈亏比、连续亏损周期、连续盈利周期相关因子进行评分，获得的单项评分、综合评分中的一项或多项；评分公式如下：

γ为综合评分，

ωi为第i项因子权重，

γi为第i项因子单项评分，

fi为第i项因子值，

为第i项因子最大值，

为第i项因子最小值。

对多个策略的回测结果进行评分，具体地，定义各回测结果的分值，仍以阿尔法收益为例，阿尔法收益最高的定义为100分，最低定义为0分，中间值按比例确定分值。如回测时间段内，阿尔法收益回测结果最高值40％，最低值0，若某一回测结果阿尔法收益20％，则其单项评分值为50分。其它策略的回测结果单项评分均可按此方法进行。同时，设定各回测结果的权重，将各项回测结果按权重进行累加，得到该策略的综合评分值。如某一策略以阿尔法收益和夏普比率作为综合评价目标，阿尔法收益80分，权重0.6，夏普比率70分，权重0.4，则该策略的综合评分为80*0.6+70*0.4＝76分。

策略择优步骤105，对多个策略的回测结果进行排序，根据用户需要，择优选取综合评分或者单项评分较高的策略。

以阿尔法收益为目标制定策略为例，利用排序法选择输出阿尔法收益评分较高的几个策略作为开发模板，或者利用阈值法选择输出评分满足用户定义阈值的策略作为开发模板。若要以各初级策略回测结果的综合评分为目标制定策略，则对多个回测结果进行综合评分，并将各评分进行加权求和得出综合评分，利用排序法选择输出几个综合评分较高的策略为模板进行开发，或者利用阈值法选择输出满足用户定义综合评分阈值的策略作为开发模板。

优选在，本实施例还包括策略完善步骤106，用户或策略工程师以输出的一批较优策略模板为基础进行开发并优化完善，形成交易策略。

通过上述方法，根据定义自动生成一批具有较高价值的策略模板，用户或策略工程师可以在此基础上编写完善形成交易策略，大大降低了工作量，让策略快速落地。

实施例二

本发明还提供一种量化交易策略生成装置，适于驻留在量化交易策略生成设备中，如图2所示，该装置包括以下模块：

因子聚类模块201，用于定义量化交易金融策略相关的因子，并对所述因子按定义进行聚类。

对量化交易股票策略因子进行定义，股票领域策略因子包含基本面因子、宏观因子和技术面因子，可根据投资者的喜好对上述因子进行定义，将因子划分为如选股类因子n1个、择时类因子n2个、信号产生类因子n3个、下单控制类因子n4个、风控类因子n5个、资金管理类因子n6个，并不限于此。针对不同金融领域产品，因子聚类划分方法按实际情况调整，如期货领域策略因子可以分成信号产生类因子n1个，下单控制类因子n2个，风控类因子n3个，资金管理类因子n4个，并不限于此。因子聚类方法包括但不限于划分法、层次法、基于密度的方法、基于网格的方法、基于模型的方法。

因子择优模块202，用于对同类因子进行单因子优化回测，择优选择所述因子。

具体地，因子聚类后，对同类因子进行单因子逐个回测，在同类因子中择优选择因子进行保留。

在本实施例中，择优方法包括排序法和阈值法。排序法即将同类因子回测所得的评分进行排序，选择排序中符合用户定义的因子予以保留。对各类单因子进行回测并对回测结果进行排序，根据用户定义择优选择各类因子中回测结果靠前、靠后或者中间任意一段的因子予以保留。具体地，对a类因子进行单因子回测，将回测结果按指标大小进行排序，如对该类因子回测的阿尔法收益大小进行排序，比如用户可以定义选择该类排序靠前的5个因子保留，用于构建初级策略，删除其余劣质因子。

阈值法即将因子回测所得的评分与用户定义的阈值比较，满足阈值条件的因子予以保留。具体地，用户设定单因子业绩目标，即阈值，如设定a类因子某时间段的阿尔法收益业绩目标为20％，若该类因子中a因子的阿尔法收益回测结果大于等于20％，则均予以保留；若b因子的阿尔法收益回测结果小于20％，则b因子不纳入后续策略的生成。对各类因子进行回测择优，删除劣质因子，提高了较优策略的生成效率。

生成初级策略模块203，用于对聚类因子进行排列组合，生成多个初级策略。

对聚类的因子进行排列组合，生成多个初级策略。可选地，从一类因子中抽取一个因子组成初级策略；或从一类因子中抽取多个因子组成初级策略；或从多个类别因子中分别抽取一个组成初级策略；或从多个类别因子中分别抽取多个因子组成初级策略。该初级策略至少包含一个因子。以从选股类因子、择时类因子、信号产生类因子、下单控制类因子、风控类因子、资金管理类因子中分别选取一个因子组成初级策略为例，最多可以组合生成m＝n1*n2*n3*n4*n5*n6个初级策略。

量化回测与优化模块204，用于导入历史数据，使用优化算法对所述多个初级策略进行回测，产生回测结果，其中所述的回测结果包括单项评分与综合评分。

优化算法包括但不限于穷举法、遗传算法、蚁群算法、线性回归、非线性回归、梯度法、多尺度算法。以从选股类因子、择时类因子、信号产生类因子、下单控制类因子、风控类因子、资金管理类因子中分别选取一个因子组成初级策略为例，利用穷举法优化可以组合生成m＝n1*n2*n3*n4*n5*n6个初级策略，并生成m个回测结果。采用其它优化算法生成的初级策略小于等于m个，相应地，回测结果也小于等于m个。各策略的回测结果包括但不限于对收益曲线、阿尔法收益、贝塔收益、夏普比率、收益回撤比、最大回撤、盈亏比、连续亏损周期、连续盈利周期相关因子进行评分，获得的单项评分、综合评分中的一项或多项；评分公式如下：

γ为综合评分，

ωi为第i项因子权重，

γi为第i项因子单项评分，

fi为第i项因子值，

为第i项因子最大值，

为第i项因子最小值。

对多个策略的回测结果进行评分，具体地，定义各回测结果的分值，仍以阿尔法收益为例，阿尔法收益最高的定义为100分，最低定义为0分，中间值按比例确定分值。如回测时间段内，阿尔法收益回测结果最高值40％，最低值0，若某一回测结果阿尔法收益20％，则其单项评分值为50分。其它策略的回测结果单项评分均可按此方法进行。同时，设定各回测结果的权重，将各项回测结果按权重进行累加，得到该策略的综合评分值。如某一策略以阿尔法收益和夏普比率作为综合评价目标，阿尔法收益80分，权重0.6，夏普比率70分，权重0.4，则该策略的综合评分为80*0.6+70*0.4＝76分。

策略择优模块205，用于分别对多个策略回测结果的单项评分与综合评分进行排序，择优选取评分较高的策略。

对多个策略的回测结果进行排序，根据用户需要，择优选取综合评分或者单项评分较高的策略。

以阿尔法收益为目标制定策略为例，利用排序法选择输出阿尔法收益评分较高的几个策略作为开发模板，或者利用阈值法选择输出评分满足用户定义阈值的策略作为开发模板。若要以各初级策略回测结果的综合评分为目标制定策略，则对多个回测结果进行综合评分，并将各评分进行加权求和得出综合评分，利用排序法选择输出几个综合评分较高的策略为模板进行开发，或者利用阈值法选择输出满足用户定义综合评分阈值的策略作为开发模板。

优选在，本实施例还包括策略完善模块206，用户或策略工程师以输出的一批较优策略模板为基础进行开发并优化完善，形成交易策略。

实施例三

本发明还提供了一种量化交易策略生成设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，该一个或多个程序包括用于执行量化交易策略生成方法中的任一方法的指令。

本实施例中，量化交易策略生成设备可以实现为众多通用或专用的计算机系统环境或配置中如个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、包括以上任何系统或设备的分布式计算机环境等。

实施例四

本发明还提供一种计算机存储介质，该存储介质存储有一个或多个程序，该一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行量化交易策略生成方法中的任一方法。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。