基于动态时间规整的形态识别策略

基于动态时间规整的形态识别策略

• 1. 形态识别

  技术分析理论基于三个重要的假设：

  （1） 股票价格包含一切市场信息

  （2） 股票价格存在趋势

  （3） 历史会重演

  第三点描述的是股票价格或者指数在长期的走势中，会反复出现一些特定的“形态”或者模式，研究这些模式对于后市的预判有着重要的参考价值。所谓“形态”，是表征股票价格或者其它指标在某一时间段内的走势，如上升形态、下降形态、震荡形态。

  从行为金融学的角度来说，不论是处置效应还是羊群效应等群体行为规律都在市场上客观存在。市场是大量投资者博弈的结果，虽然投资标的千变万化，同一标的也随时处于变化之中，但是人性是不变的，交易心理是不变的，投资者在决策过程中形成的定向思维和投机心理导致历史不断重演。技术分析大多是基于对历史数据的分析和归纳，试图从历史中挖掘出规律进而指导未来的决策。技术分析的有效性和实用性已经被市场所认可和实践，比较有名的如波浪理论、缠论等。

  总而言之，股票形态所反映的不仅是股票基本面变化的信息，还有市场投资群体的投资心理，蕴含着交易逻辑。因此，股票价格走势会呈现出相似的形态，并且相似形态的不同股票往往会在未来表现出相似的走势。

  基于技术分析理论识别股票价格走势的形态并进行预测，难点在于很多技术分析方法依赖经验判断，难以量化，甚至对于相同的走势形态不同的技术分析者会得出截然相反的结论。我们尝试借助形态识别算法，来解决这一问题。

• 2. 形态识别算法

  形态识别，类似于语音识别，本质是波形特征的捕捉与识别。比较常用的识别算法有神经网络算法、隐马尔科夫算法等基于机器学习的算法，也有基于技术指标以及函数极值的统计判断方法。

  本篇报告采取的是动态时间规整算法。在自动语音识别领域，由于语音信号是一种具有相当大随机性的信号，即使相同说话者对相同的词，每一次发音的结果都是不同的，也不可能具有完全相同的时间长度。因此在与已存储模型相匹配时，未知单词的时间轴要不均匀地扭曲或弯折，以使其特征与模板特征对正。用时间规整手段对正是一种非常有力的措施，对提高系统的识别精度非常有效。

  事实上，实际应用场景中，尤其是金融时间序列的匹配问题，往往要求在时间轴上不完全一致，换言之，如果时间序列在形态上具有相似性，但序列内部有模式的伸缩或者振幅的差异，仍然可以认为该时间序列群是具有相似性的，是需要被匹配出来的。市场上的技术分析派正是通过这种形态上的匹配，在个股或者大盘指数的历史数据中发现与当前走势相似的形态，并观察这些形态在历史上出现后，个股或者大盘的走势，最终对后期个股或者大盘的走势进行预判，指导交易决策。

  要理解动态时间规整算法，关键是理解“时间规整”的思想，其示意图如下：

  

  蓝色和绿色线条表示两个时间序列，和传统的距离度量方式相比，时间规整是将时间点进行一对多或者多对一的映射，同时满足最优化条件。经过这样的映射后，时间轴上进行了规整，使得两个时间序列间的距离最小，相似度最大。

  动态时间规整算法的核心在于寻找最优的路径，需要满足以下约束：

  （1） 边界条件；

  （2） 连续性：即要求不能跨过某个点去匹配，只能和自己相邻的点对齐

  （3） 单调性：即要求点必须是随着时间单调进行的

  通过动态规划的方法可以求得最优路径和最小距离。

• 3. 形态识别策略

  采用动态时间规整算法实现形态识别功能，基于人为挑选出的标准形态，每个交易日利用形态识别算法计算全A股股票形态与标准形态的距离，进而挑选出距离小于阈值的股票并以当日开盘价买入，持有五日以收盘价卖出，如果持有过程中某一天收盘价跌幅超过-5%，则以收盘价止损。

  

  

• 5. 结论

  该策略基于动态时间规整算法，捕捉与经验形态相似的股票形态，构建股票组合。在回测期间获得了2.59的夏普比率和27.4%的年化收益率，稳定显著的跑赢大盘指数。

转载自 知乎