基于机器学习算法的配对交易策略在我国A股市场的实证研究.pdf

摘要

摘要

配对交易是一种在投资者中十分流行的交易策略。投资的基本原则是低

买高卖，但是人们往往很难对某个资产的内在价值做出精确的估计。配对交

易把关注的焦点放在配对中的一项资产相对于另一项资产是否存在明显高估

或低估的情形，从而规避了对内在价值的估计。参与配对的各个资产的价格

从长期来看应该保持一种均衡关系，当相对价格严重偏离长期均衡时，交易

者买入低估的资产，同时卖出高估的资产，以求在相对价格回归均值时平仓

获利。

配对交易策略主要在两方面有所不同，一是如何选择配对，二是交易规

则设置。本文旨在提出一种用于配对选择的新方法，并比较它与其他常用方

法的优劣。通常，人们对股票池先按行业分类再在同行业内选择配对，这种方

式由于限制搜索范围，可能错失优质配对，而且它被广泛采用，导致获利空间

缩小。假使不囿于同行业内而在全部证券组成的超大空间内选择配对，那么

待检验的候选配对的数量会非常之多，而且面临多重假设检验的不利影响。

本文提出的方法在挖掘数据自身特征的基础上更有效地将全部证券预先划分

为多个类簇，从而不必执行过度的搜索，同时，这种分类方法不是基于诸如行

业这种广泛采用的显而易见的分类特征。

配对交易策略实施的前提是标的资产可以被做空。我国于2010年3月30

日正式启动融资融券业务。本文以沪深300指数成分股作为股票池，利用主

成分分析法提取股票价格时间序列的主要特征，然后基于数据特征使用

OPTICS密度聚类算法将股票池中的全部股票划分为多个类簇，再在每一类簇

中对候选配对依次执行协整检验、计算并检查Hurst指数、半衰期、均值回归

频率等步骤，最终选出符合条件的配对。密度聚类算法可以深入挖掘数据点

之间的深层次关系，而行业分类不仅带有分类编制者的主观性，而且未必能

反映数据点的主要特征。OPTICS算法不要求事先指定类别数量、假定类别形

1

基于机器学习算法的配对交易策略在我国A股市场的实证研究

态，且善于识别异常值，因此是本文课题下理想的聚类算法。联合使用协整检

验、Hurst指数、半衰期、均值回归频率则是为了保证相对价格有较强的均值

回归特性。

本文分别采用不进行分类、按行业分类和OPTICS算法分类三种预处理

方式结合固定阈值交易规则进行交易模拟。为降低偶然性，本文在2017-2020

年、2018-2021年、2019-2022年三个时间段上展开实证。实证结果表明，与

按行业分类相比，OPTICS算法分类在投资回报率、夏普比率和交易有效性等

方面都更胜一筹。与不进行分类相比，OPTICS算法分类的交易有效性更高，

在投资回报率和夏普比率方面两者则互有输赢。但是，OPTICS算法分类方式

下的计算效率远高于不进行分类。因此，综合来看，OPTICS算法分类更优。

本文的实证结果还表明，按行业分类的交易表现往往差于不进行分类。按行

业分类虽然看似较为合理，但也许并不值得采纳。

关键词：配对交易；股票配对；配对选择；OPTICS聚类；

2

ABSTRACT

ABSTRACT

Pairstradingisawidelyusedtradingstrategyamonginvestors.Thebasic

principleofinvestmentisbuyinglowandsellinghigh,butitisoftendifficultto

accuratelyestimatetheintrinsicvalueofasingleasset.Pairstradingfocuseson

whetheroneassetinthepairissignificantlyoverval