“该SPX策略使用归一化动量和回撤特征以及三次多项式，通过sigmoid模型预测回报以每日重新平衡，仅当回报超过5%的阈值时才进行投资。”
资产类别: 差价合约、ETFs、期货 | 地区: 美国 | 周期: 每日 | 市场: 股票 | 关键词: 逻辑回归、动量
I. 策略概要
该投资策略侧重于SPX指数，利用归一化动量（30-360个交易日）和回撤（15-120个交易日）等特征来预测盈利能力。特征被归一化到-1到+1的范围，并用于生成盈利能力向量，指示未来回报是否超过5%的年度阈值。为了捕捉非线性模式，使用了三次多项式，平衡了简单性、回报和回撤。
每日预测利用通过sigmoid函数处理的特征的加权组合。通过使用历史训练数据最小化实际和预测表现之间的预测误差来优化权重，正则化设置为1。预测提前三天进行。如果预测回报低于阈值，策略持有现金；否则，在市场收盘时投资SPX。该策略每日重新平衡，动态调整以适应市场状况。这种方法有效地结合了高级特征工程和系统性重新平衡，以增强投资决策。
II. 策略合理性
动量因子在投资领域广为人知，但机器学习的创新应用增强了其应用。与经典统计方法不同，机器学习模型能够适应不断变化的市场条件，并处理众多因素的复杂组合。使用多项式可以引入非线性特征，使模型能够根据市场条件或算法的训练集动态地利用和加权大量因素。这种方法特别有利于动量策略，包括基于逻辑回归的模型，并且可以有效地应用于美国或国际股票指数，在不同的市场环境中提供灵活性和稳健性。
III. 来源论文
Applying Machine Learning to Trading Strategies: Using Logistic Regression to Build Momentum-Based Trading Strategies [点击查看论文]
- 帕特里克·博丹（Patrick Beaudan）和何朔元（Shuoyuan He），北方信托公司；Emotomy，旧金山州立大学。
<摘要>
本文提出了一种构建投资策略的机器学习方法，该方法解决了经典方法的几个缺点。为了展示我们的方法，我们使用逻辑回归算法在标准普尔500指数上构建了一个时间序列双重动量交易策略。我们的算法优于买入并持有以及几种基准双重动量策略，显著提高了回报并降低了风险。将该算法应用于其他美国和国际大盘股指数通常会提高风险调整后的表现。
IV. 回测表现
| 年化回报 | 8.6% |
| 波动率 | 14% |
| β值 | N/A |
| 夏普比率 | 0.61 |
| 索提诺比率 | N/A |
| 最大回撤 | -45% |
| 胜率 | N/A |
