2022美赛C题交易策略思路看法

C 题思路多种思路都有
1. 整体概述：美赛 C 题，今年的题目延续往年的 ACM 一贯的风格（采用机器学习的算法模型），有着非常明确的背景与目标，也就是近年来最流行的量化交易，一个数据量很充分的题目，他已经给了过往多年以及每个月的交易数据，并且题目中给了限制，仅根据价格给出策略，也就省去了我们对于交易量等复杂信息的考虑，关于数据处理的部分，重点在于处理更大时间维度的数据，帮助大家训练更准确的模型。同时，该题主要是预测类、规划类的题目，题意背景读起来不难理解，模型可供选择性比较多。

目前师兄和几个老师已经写了5种思路啦，代码在优化中也会19号发出，完整版的可查看：

2. 要求 1：一位交易员要求您开发一个模型，该模型仅使用迄今为止的每日价格来确定交易员每天是否应该购买、持有或出售其投资组合中的资产。题目要求模型仅使用迄今为止的每日价格，在网络上找到的每天数据的均值、方差、最大值，或是交易量，交易分额等数据是不能展现出来的，尤其不能作为参数。最后呈现的一个结果应该是像基金一样，何时买入何时卖出的一个结果图。

3. 在每个交易日，交易者将拥有由现金、黄金和比特币组成的投资组合，有一个初始值。对于规划类的问题，这里就把未知量，即决策变量所得规定差不多了。对于每个交易日都有对应的一个三元组合，也就是动态规划类题目。（参考动态规划模型）

4. 比特币每天都可以交易，但黄金仅在开市日交易，定价数据文件 LBMA-GOLD.csv 和 BCHAIN- MKPRU.csv 反映着这一点，模型应该考虑到交易时间的限制，即约束条件：在周末的时候，三元组合中的 G 是不变的。

5. 目标函数：使得盈利最大化、风险价值最低；约束条件：交易金额、交易时间。对于背景引入部分，即量化投资深入了解和阅读一下

6. 使用电子表格中的数据：LBMA- GOLD.csv 和 BCHAIN-MKPRUcsv 开发一个模型，该模型仅根据该日之前的价格( up to today),提供最佳每日交易策略。
假设只有 9 月 9 日的数据，往后对于没有的数据需要做一次预测，你需要预测出 9 月 10 日会是一个什么走势，然后根据你的预测走势来看如何交易。
这里涉及到一个预测类的模型：可以参考：灰色预测模型，ARIMA 的时间序列预测模型，SVM 支持向量机、BP 神经网络模型还有 LSTM 长短时记忆神经网络、插值回归拟合等进行预测。然后我们要根据下一天的预测结果，来对我们的规划模型提供证据说明模型给出的是最佳策略。

题目重述：
开发一个模型，仅根据当天的价格数据给出最佳的每日交易策略。使用你的模型和策略，在 2021 年 9 月 10 日最初的 1000 美元投资价值多少?
提供证据证明你的模型提供了最佳策略。
确定该策略对交易成本的敏感度。交易成本如何影响战略和结果?
将你的策略、模型和结果以一份不超过两页的备忘录的形式传达给交易者。针对对本问题的研究以及文献参考，

给出思路如下：

首先这是一个量化交易的题目，如果没有量化交易的学习背景，不建议选择该题目。此外在全文比赛建模期间，需要有两个注意的点。①交易时间期限问题：比特币可以每天交易，但黄金只在市场开放的日子交易，这是由于比特币为虚拟货币，而黄金是国际通货，建议大家在分析时提到这一点。②就是数据使用问题：我们所构建的全部模型均为“基于目前为止过去的时间的每日价格”。例如：你在 2018 年 9 月 10 的时候，你仅仅知道 9 月 10 日以及之前的数据，对于后面的数据并不知道。

Task1：针对问题一，本质为构建量化交易决策模型（Quantitative Trading Decision Model, QTDM），也这是 C 题的核心。这里其实我们可以分为两步去构建 QTDM 。首先即解决你在当日需要进行的决策。我们需要注意的是，当日的决策本质上是为了第二天的盈亏。2 月 18 日当日价格上涨，你进行了持仓，如果 2. 19 大跌，那么就会严重亏损。这里我们可以构建预测模型进行解决。主要有三种办法，一种是以灰色预测（新陈代谢灰色预测），时间序列等为主要的通过以前数据预测以后的数据，这两种办法对短期股价预测有着较好的可信度。第二种就是机器学习，例如以:RF （随机森林）、ANN （人工神经网络）、SVM(支持向量机)之类的办法。通过构建一些技术指标，这里参考文献[2], ADX（Average Directional Index, 平均趋向指标）、RSI（Relative Strength Index, 相对强弱指标）、 BB （ Bolliger Bands, 布林线指标）、 MACD （ Moving Average Convergence Divergence, 异同移动平均线），进行短期训练预测，具体见图 1 ，第三种，也是我认为最容易出彩的一种，Apriori 算法与神经网络模耦合模型，具体见图 3。[1] 第二步即进行循环决策模型构建，从 2016 年 9 月 11 日到 2021 年 9 月 10 日。我们可以把每一日的交易决策当做一个周期，并持续进行。因为我们总是能够知道当日价格，以及之前的价格，可以进行多次 if 与for 循环。这里需要考虑到循环的次数（黄金和比特币不同）、操盘所需要的手续费用（αgold = 1% ， αbitcoin = 2%）也就是判断条件。最后的最后，论文还需要告知“决策”，这里可以从模型特征值：例如 MACD 、RSI 指标、Apriori 等参数的波动进行量化，务必需要分点作答！还可以考虑的出彩点就是风险衡量，例如构建一些风险衡量指数，周期价格波动越大，代表风险越大。这里可以作为冲击优秀奖项的细节。
备注：这里为核心题目，建议写作长度为 6-9 页。其中较为的部分为编程。最后年化收益率不宜超过 20~30%。如果出现了翻几番这种结果，务必检查论文环节。

图 1 RF 下的量化交易技术路线

图 2 Apriori 算法与神经网络技术路线

Task2：针对问题二，表面为：提供证据证明模型提出了最佳策略，本质为题目的精度检验与分析，也就是给出指标论证决策的合理性。建议篇幅为 3-4 页，因为没有横向模型进行对比，所构建的模型误差越大，那么决策的结果就是越差

的，因为实际盈利与模拟盈利存在巨大差异，这里建议使用 MSE、MAE、RMSE、 RMAE 等指标衡量模型误差。此外可以生成一些指数：夏普比率、年化收益率从经济学角度进行思考分析与讨论。
Task3：针对问题三，这里题目主要为附加题，建议撰写篇幅为 2-3 页，通过以增减交易成本的百分比，可以从 0.5% 、1% 、1.5% 、2%几个方面入手，再次运行模型，测试不同交易成本下的敏感性大小（交易决策结果）。这里除了分析不同敏感程度的结果，还需要结合金融中相关知识，也就是为什么要做敏感性
分析（可以从股市震荡或宏观调动两个方面入手）。这里依然要论证模型的鲁棒性，也就是不同交易成本下本文所构建的模型结果较好。
Task4：针对问题四，这里我认为没有标准的做法，建议以 2 页篇幅参与撰写。主要从：策略的构成角度（决策指标）、模型鲁棒性（模型的误差）、模型的敏感度以及决策结果（决策收益）进行 4 点作答。这里建议从时间段进行划分，将 2016-2021 分为 2-3 个阶段，比如在 2016-2018 都较为平稳，在 2020-2021 经过了大量的动荡，这里可以绘图展示，图片可以多放一点，文字分点作答，每一个时间段分点作答，表达清晰即可。
CNKI 建议检索关键词（仅供参考）：量化交易、模型、决策策略、投资、黄金