DE-反转alpha策略的方法

Alpha策略的思想就是通过股指期货对冲投资组合的系统性风险Beta，锁定超额收益Alpha。通过运用本文所述的反转策略，做多表现优于沪深300指数的股票，同时做空与股票市值相当的股指期货合约，规避了市场的系统风险，同时可以获得比较显著的绝对收益。

以往的研究有将股票收益率离散度以及过去某段时间内股票的累计收益率等作为反转的衡量标准。区别于先前的研究，本文引入传统技术分析中的RSI指标，用以衡量反转程度。即，首先计算过去一段时间内，股票的收益率与沪深300指数收益率差值的累计值，之后计算上述累计值的RSI值并将其标准化。标准化的方法是计算当前RSI与过去一段时间内RSI均值的差值，之后除以RSI的标准差。在计算出所有样本的反转值之后，将其由低到高进行排列，选取前n个样本作为入选的股票。

由于涉及到反转计算中的时间窗口长度、RSI参数、组合持有期等多个参数，为了使得持有期内，股票相对于大盘的超额收益最大化，本文运用了人工智能领域的差分进化算法（DE）对参数进行优化。

差分进化算法是基于群体智能理论的优化算法，通过群体内个体间的合作与竞争产生的群体智能指导优化搜索。但相比于遗传算法，差分进化算法保留了基于种群的全局搜索策略，采用实数编码基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性。同时，差分进化算法特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息，适于求解一些利用常规的数学规划方法所无法求解的复杂环境中的优化问题。

数据和结果

本文所选用的样本为2007年10月26日至2010年9月10日期间的沪深股市的所有A股股票的周成交价。首先设定股票的持有期，以持有期内股票投资组合相对股指的平均累积超额收益率为目标函数，依据前文所述的差分进化算法，对时间窗口长度、RSI参数、组合持有期等多个参数进行优化。

图1 反转alpha策略的累计超额收益率 （单位：%）

从图1可以看出，基于上述反转策略的超额收益在样本期内取得了较为稳健的增长，截至7月30日，累计收益率达到了109.63%，而同期沪深300指数则下跌39.75%。并且在样本期间，股票市场经历了牛市、熊市和振荡市不同阶段，而该策略下的收益率曲线回撤较小，表现出良好的适应性。接下来，本文将以实例进一步验证该策略的有效性。

实证分析

本部分将以具体实例介绍如何应用反转策略实施alpha套利。在7月30日，基于上述反转策略选，选出一定数量的股票，并通过一定基本面分析之后，确定alpha策略现货的构造组合。考虑到资金规模以及现货持有期，为了避免期货合约移仓，在空头部分做空1笔期指合约IF1012，同时，根据空头部分市值的大小，赋予现货构造中的每只股票以相同的比重，进而确定每只股票的持有笔数。由图2可以看出，基于上述反转策略alpha套利自构建以来，其收益取得了较为稳健的增长。

图2 DE-反转alpha策略收益走势 （单位：元）

小结

作为一次尝试，本文将计算机科学领域的知识应用到股指期货的产品设计中，并尝试以量化分析的手段去解决问题，从实证的结果来看，这是一次有益的尝试。