背景

出于对机器学习的兴趣，采用逻辑回归方法建立分类模型，预测指数涨跌。

利用逻辑回归对特征的主成分进行建模，得到指数 5 分钟级别的多分类预测模型，调 仓频率为 30 分钟。

思路与细节

如果对整个时间序列标准化与PCA，得到的结果是引入未来数据的，于是为了避免前视偏差，采用了滚动标准化与滚动PCA的方法

滚动标准化的窗口设置为100期，滚动pca的窗口设置为测试开始日期回溯到数据集起始日期

在做双分类模型后发现交易成本的影响较大，需要降低交易频率

同时，T+1的交易制度也让做空变得较为困难

有两个方向：

1. 日度择时做底仓的基础上进行日内回转

2. 建立多分类模型，提高买卖点位的准确性，降低交易频率

不足与改进

可以看出：

1. 日度择时做底仓的基础上进行日内回转的效果并不好

   解决方法：引入其他ETF，做横截面的策略，然后再进行日内回转

2. 日内回转吃的是波动率而不是日度择时下的价格上涨

   相反地，价格上涨反而会降低波动率，检验一下

   如果是这样的话，那么引入波动率预测模型，只在波动率上升时日内回转

3. 尝试在日度择时下的价格上涨只做顺T

4. 多分类模型的预测准确率并不高，确定标签也缺乏一个合理的标准，样本不平衡的问题也变得严重。

5. 最重要的一点还是得改进特征，添加更有效的因子！！！