20181115-东海证券-原理与实证分析_配对交易中Hurst指数的应用_18页_2mb

配对交易中 Hurst 指数的应用：原理与实证分析

核心内容

本报告探讨了 Hurst 指数在配对交易策略中的应用，旨在通过分析价差序列的均值回复特征，优化配对选择以提高交易收益。Hurst 指数能够描述时间序列的长期记忆性和分形特征，与传统的相关系数和协整关系相比，其对均值回复特征的度量更为精准，尤其适用于具有短期记忆性的价差序列。

主要观点

• 配对交易原理：配对交易依赖于价差序列的均值回复特性，即当价差偏离均值时，预期其会向均值回归，从而产生交易机会。
• Hurst 指数优势：Hurst 指数能够衡量时间序列的持续运动程度，其值介于 0 到 1 之间，且不依赖于独立性假设，适用于非平稳和非独立的时间序列。
• Hurst 指数的应用：在配对交易中，采用广义 Hurst 指数（GHE）作为选择配对的依据，通过计算价差序列的移动 Hurst 指数来判断其是否接近随机过程，从而选择具有更好均值回复特征的配对。
• 择时条件：当价差偏离均值超过 1 倍标准差时建立头寸，当偏离超过 2 倍标准差时平仓止损或止盈。

关键信息

1. Hurst 指数定义与特性

• 定义：Hurst 指数 $ h \in [0,1] $，用于衡量时间序列的持续性或均值回复性。
• 特性：
  • $ h = 0.5 $：独立随机过程。
  • $ h > 0.5 $：长期记忆性，均值回复频率较低。
  • $ h < 0.5 $：短期记忆性，均值回复频率较高。

2. 配对选择方法

• 计算配对系数：使用公式 $ b = \frac{std(\log r_A)}{std(\log r_B)} $ 计算配对系数。
• 计算价差序列：基于配对系数 $ b $，计算价差序列 $ S_{AB} = \log(P_A) - b \log(P_B) $。
• 移动 Hurst 指数：采用 GHE 方法，使用历史数据计算移动 Hurst 指数（$ D_H $），以判断价差序列是否接近随机过程（$ H_c = 0.5 $）。

3. 实证分析结果

• 最佳 $ H_c $ 值：当 $ H_c $ 接近 0.5 时，策略表现最佳。
• GHE125 优于 GHE250：GHE125 的波动性更小，表现优于 GHE250。
• 收益与风险指标：
  • 年化收益率：在 $ H_c = 0.5 $ 和 $ H_c = 0.55 $ 时表现最佳。
  • 最大回撤：整体较低，表明策略风险可控。
  • Sharpe 比率：较高，表明风险调整后的收益表现良好。
  • 交易频率：组合中配对数量越多，交易频率越高，收益也越高。

策略细节

1. 择时条件

• 做多条件：价差 $ s < m - \sigma $。
• 做空条件：价差 $ s > m + \sigma $。
• 平仓条件：
  • 止盈：价差 $ s > m $。
  • 止损：价差 $ s > m + 2\sigma $ 或 $ s < m - 2\sigma $。

2. 配对选择流程

• 候选配对生成：从股指期货连续合约中选取 12 个合约，两两组合生成 66 个配对。
• 配对系数计算：基于对数收益率的标准差计算配对系数。
• 移动 Hurst 指数计算：采用 GHE 方法计算移动 Hurst 指数，并根据 $ D_H $ 选择距离 $ H_c $ 最近的配对组合。

图表与数据

• 图1：A股部分指数的 Hurst 指数，均值为 0.60。
• 图2：股指期货连续合约的 Hurst 指数，均值为 0.57。
• 图3：股指期货价差序列的 Hurst 指数，均值为 0.51，接近随机过程。
• 图4：择时条件示意图，显示价差偏离均值时的交易信号。
• 图5 & 图6：GHE125 和 GHE250 与未来收益率的散点图，显示最佳收益集中在 Hurst 指数接近 0.5 的区域。
• 图7 & 图8：配对价差与均值偏离示例，以及移动 GHE 示例，展示均值回复现象。

实证结果分析

• 策略表现：
  • GHE125 在 $ H_c = 0.5 $ 时年化收益率最高，最大回撤最低。
  • GHE250 在 $ H_c = 0.6 $ 时表现最佳，但整体波动性较大。
• 组合表现：
  • 组合 Port_0（最佳组合）在 GHE125 与 GHE250 中均表现优异。
  • 交易频率与持仓时间呈负相关，交易次数越多、持仓时间越短，收益越高。

结论

• Hurst 指数的应用价值：Hurst 指数为配对交易提供了一种新的选择配对方式，能够有效识别具有均值回复特征的配对组合。
• 中心值参数选择：最佳中心值 $ H_c $ 接近 0.5，即价差序列接近随机过程时，策略表现最优。
• 进一步研究方向：如何更精确地估计 $ H_c $，以及 Hurst 指数计算方法和周期选择对策略效果的影响，仍需进一步研究。

参考文献

• G. Vidyamurthy, Pairs Trading: Quantitative Methods and Analysis, John Wiley and Sons, 2004.
• H. Hurst, Long term storage capacity of reservoirs, Trans. Amer. Soc. Civ. Eng., 1951.
• J.P. Ramos-Requena, J.E. Trinidad-Segovia, M.A. Sanchez-Granero, Introducing Hurst exponent in pair trading, Physica A, 2017.
• E. Peters, Fractal Market Analysis, John Wiley and Sons, Inc., 1994.
• M.A. Sanchez-Granero, M. Fernandez-Martinez, J.E. Trinidad Segovia, Introducing fractal dimension algorithms to calculate the Hurst exponent of financial time series, Eur. Phys. J. B, 2012.

分析师简介

• 丁竞渊：东海证券高级研究员，具有 10 年以上证券从业经验，专注于量化平台研发与金融数据分析。

风险提示与免责条款

• 本报告仅作参考，不构成投资建议。
• 基于公开资料，不保证信息真实性、准确性与完整性。
• 东海证券可能持有报告中涉及的证券并进行交易，存在利益冲突可能。

联系方式

• 上海东海证券研究所
  地址：上海市浦东新区东方路 1928 号东海证券大厦
  网址：http://www.longone.com.cn
  电话：(8621) 20333619
  传真：(8621) 50585608
  邮编：200215

• 北京东海证券研究所
  地址：北京市西三环北路 87 号国际财经中心 D 座 15F
  网址：http://www.longone.com.cn
  电话：(8610) 66216231
  传真：(8610) 59707100
  邮编：100089