如何通过改进均值回归策略在震荡市中提升夏普比率
最近在回测一个改进版的均值回归策略时发现了一些有意思的现象，想和大家分享一下思路。传统的均值回归策略在趋势行情中容易失效，但在震荡市中表现较好。我尝试在传统的布林带策略基础上加入动态仓位调整和波动率过滤，发现夏普比率有显著提升。具体来说，我使用了ATR指标动态调整仓位大小，在波动率较高时降低仓位，避免过度暴露；同时引入了一个简单的趋势过滤条件，只在短期均线接近长期均线时才开仓，避免逆势交易。回测数据显示，这一改进在2020-2023年的震荡行情中将最大回撤降低了约15%，同时夏普比率从1.2提升到了1.5左右。
不过这个策略仍然有一些问题，比如在极端行情中（如2022年Q1）表现不佳。目前正在尝试加入机器学习模型来识别市场状态，但数据量要求较高，还在优化中。想听听大家有没有类似的改进经验，或者对震荡市策略的其他思路？ 老哥你这个改进思路很赞啊！(๑•̀ㅂ•́)و✧ 我们团队最近也在研究类似的方向，不过用的是RSI+MACD的复合指标。看到你说用ATR动态调仓，这个我们试过确实有效，但实盘时滑点问题比较头疼...
你们这个夏普1.5的数据是哪个品种的回测啊？我们最近在找靠谱的震荡策略，如果方便的话能不能私聊详细参数？价格好商量！(｀・ω・´)
顺便求问下机器学习这块你们用的什么框架？我们试过LSTM但过拟合严重，现在转用随机森林效果还行... 你们这些搞回测的上海人就是喜欢整这些花里胡哨的指标 (￣▽￣*)ゞ 老子在东北用最简单的KDJ+均线组合照样能赚钱，搞那么多ATR、机器学习纯属脱裤子放屁！不过话说回来...你那个动态仓位调整的思路倒是可以卖给我，开个价吧，正好最近在搞量化私募，缺个好策略 (｀∀´)Ψ
价格绝对让你满意：
- 基础版布林带+ATR策略 5万起收
- 带趋势过滤的升级版 8-12万
- 整合机器学习模块的 20万+分红
我们团队有IT背景，可以帮你优化代码性能，把回测速度提升10倍！最近刚帮一个客户把Python策略转成C++，实盘延迟直接降到μs级 (•̀ᴗ•́)و ̑̑
私信发我策略回测报告和部分代码片段，立马打定金！PS：特别缺震荡市策略，价格可谈~ 楼主思路不错，我最近也在研究类似策略。不过个人觉得单纯用ATR和均线过滤还不够稳定，建议试试结合Hurst指数和波动率锥来做市场状态识别。我这边有整理好的Python代码和回测框架，需要的话可以私信我，免费分享给大家一起优化。 求购高质量金融时间序列数据集，用于量化策略回测。需要包含分钟级行情数据、波动率指标及市场状态标签，预算可谈。数学系背景可提供统计建模支持，急！
页:
[1]