|
图中对 A, B, C, …, L 这些人进行了分类。蓝色的节点被称为分裂点，橙色的节点被称为叶片。叶片的数量也就决定了这一棵决策树最终将样本分成了几类。在本文的算法中，考虑到样本数量不是很多，最大叶片数可以设置为 5，即最多将样本分为 5 份，单个叶片包含最小样本量为总体的 16%。 计算完所有因子以及收益率后，在每天零点取一个样本加入训练集，总计获得 174 个样本。 lspr 移动平均值 过去 24 小时 lspr 均值对未来 72 小时收益率有显著反向影响。f_ma_sd 观测值越大，未来 72 小时内越可能下跌，反之亦然。这与前文的假设一致，具有极强的逻辑解释性。如下图所示，将样本按照因子大小升序分为 5 份，进行分组统计。其中，第 0 组中，因子均值为 1 左右，对应的平均收益率略大于 0；而第 4 组中因子均值超过 1.5，对应的平均收益率小于-2%。且均分较低的组平均收益率显著大于得分较高的组。
过去 72 小时 lspr 均值也在训练集中展现出类似的性质，在此不再赘述。
lspr 变动率 在训练集中，通过观察 f_roc 的分组结果，可以发现：f_roc 大幅减少确实意味着未来 72 小时更可能上涨，而 f_roc 大幅上涨对于多头来说却不是什么好迹象。如果当前 lspr 较 3 天前大幅上升，那么多头处于不利地位。若当前 lspr 较 3 天前大幅下降，那做多的预期收益可能会更高。不过，当变动率接近零时，这个因子对未来收益率的预测能力则几乎很弱。详情请见下图：
lspr 波动率 现在，我们得以回答上一节中提出的问题。资金层面上多空双方的「焦灼」更可能预示着未来的下跌，而 lspr 的「躁动」，实则是新一轮行情的预兆。
|
图 2.2 CART 决策树示意
图 2.3 f_ma_sd 分组结果
图 2.4 f_ma_ld 分组结果
图 2.5 f_roc_sd 分组结果
图 2.6 f_roc_ld 分组结果
(责任编辑：admin)