“优化纽约证券交易所、美国证券交易所和纳斯达克股票投资组合，使用遗传算法，将特征映射到预期回报，创建价值加权多空十分位，每月重新平衡，并进行样本外测试验证。”
资产类别: 股票 | 地区: 美国 | 周期: 每月 | 市场: 股票 | 关键词: 遗传编程
I. 策略概要
投资范围包括CRSP数据库中股票代码为10和11的纽约证券交易所、美国证券交易所和纳斯达克股票，价格高于5美元。使用的特征包括短期反转、动量（不包括最近一个月）、长期反转，以及11个移动平均价格信号，滞后天数从3天到1000天不等。该策略采用遗传算法优化一个函数GG，将这些特征映射到预期回报，从而最大化多空十分位投资组合的夏普比率。
根据预期收益将股票分为十分位组合。投资组合采用市值加权策略，做多预期收益最高的十分位组，做空最低的十分位组。GG（遗传编程模型）通过数学运算（如加法、减法、乘法、除法）和三角函数构建，以树状结构表达，最大深度限制为30层。算法从随机生成的初始种群开始，优先选择夏普比率较高的个体作为父代，进行交叉和变异以生成下一代。该过程重复多个迭代周期，并通过运行算法五次并取平均结果，以降低陷入局部最优的风险。
种群规模与迭代次数通过验证集进行优化，在解决方案质量与计算效率之间取得平衡。数据被划分为训练集、验证集和测试集，策略按月进行再平衡，并报告样本外测试结果。
II. 策略合理性
该策略的成功源于其利用股票特征预测回报的足够准确性，从而产生超额利润的能力。遗传算法擅长解决非线性问题和优化不可微分的目标函数，通过识别相关变量及其最优函数组合，优于其他方法。该方法在国际市场中也高效，即使没有将其纳入训练过程，并且在使用基本面数据而非技术指标时表现相似。此外，将目标函数更改为最小化MSE而不是最大化夏普比率并不会显著影响结果，这表明该策略的稳健性和适应性。
III. 来源论文
Maximizing the Sharpe Ratio: A Genetic Programming Approach [点击查看论文]
- Yang Liu、Guofu Zhou 和 Yingzi Zhu。湖南大学 – 金融与统计学院。圣路易斯华盛顿大学 – 约翰·M·奥林商学院。清华大学 – 经济管理学院
<摘要>
现有研究侧重于最小化模型拟合误差，而我们采用遗传编程（GP）方法直接最大化价差投资组合的夏普比率。我们发现，与所考察的其他方法相比，GP方法可以使美国市场的表现翻倍，并在国际上表现优异。我们还将GP应用于最大化投资于所有标的股票的夏普比率，这相当于寻找对所有资产进行定价的随机折现因子。我们发现夏普比率比以前增加了近70%，这表明依赖价差投资组合进行投资和定价可能会造成 substantial 损失。
IV. 回测表现
| 年化回报 | 8.99% |
| 波动率 | 11.29% |
| β值 | N/A |
| 夏普比率 | 0.77 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
