我剛好在投資社群看到有人提到「年化40%」，這是很厲害的數據。
我不禁想，這個不知道是實盤還是理論。
󠀠
剛剛估算了一下我的生涯實際投資紀錄，總淨值成長贏同期美股和台股大盤。
所以如果把我提領出來現金都加回去，然後以世界的股債為基準，我績效應該贏更多。
不過這不是重點，重點是這也離40%很遠。
當然，我接受這個結果，因為我交易(再平衡)頻率非常低，低到我還會忘記帳號密碼。
(不開玩笑，我曾寫在記事本上，結果我忘記記事本放哪裡，後來我乾脆email給自己，這樣要登入的時候就可以找到。)
󠀠
不過，如果只是紙上談兵呢? 40%績效也已經是PR95等級了。
早些年我混策略商城，我知道績效要猛要炫才好賣，但是基本上都無法持久。
(然後商城都會特別廣告近期表現好的，就像各大基金商。)
我今天就來分享思路，好好紙上談兵一下。
󠀠
非專職散戶能舒服做到的極限，交易頻率是周度和月度。
幹到日度/日內，要自動化。
(當然你要手工也可以，只是我覺得會很累。)
󠀠
像我上次寫的雙動量回測，就是月度，年化績效49.5%
(漏洞可能在哪，我就不講了，反正就是個toy)
󠀠
如果把ML也放進來，可以把績效曲線拉到非常平。
原因是ML強項在於從數據中找規律，而動量本身就是一個規律。(好像廢話)
有些人懷疑ML對股價本身無效，是對的，因為股價本身接近隨機。
你不處理資訊，直接餵他，他很難得出有意義的結論。
但你處理過，再餵他，就是用對地方。
󠀠
好，如果ML+TSMOM(時序動量)+槓桿優化，會得到什麼?
“Enhancing Time Series Momentum Strategies Using Deep Neural Networks”裡面，LSTM做出來的最高報酬，可以到45.1%，MDD 20.9%，Sharpe 2.907
(紅框的意思是以最高Sharpe為目標訓練，所得出的平均報酬。)
這還只是波動率控制在15%的情況下，所以我們理論上可以把他槓桿優化。
例如長期槓桿，可以開到接近五倍。(因為MDD約20%)
短期槓桿更好玩，我們透過LETF的近似公式速算，最佳槓桿率應該在
0.45÷ (0.15²)=20
󠀠
對，20倍短期定槓桿，沒聽錯。
這樣得出的類LETF策略，0.45×20-0.5×(0.15×20)²=4.5
會有約450%的年化績效(也就是變成5.5倍)
󠀠
還有什麼改進空間呢?
首先，我們可以考慮TSMOM所瞄準的資產，將它拆成因子的CSMOM(橫截面動量)，做完後再TSMOM，也就是因子雙動量。
(注意，不是動量因子，我是說因子動量。)
其次，槓桿不一定要固定，也可以用ML來練習調整。
還有，超參數優化也可以放進去。
󠀠
我不知道會做出什麼東西，不過應該可以拿去賣了。
我幫這個可愛策略取名字，就叫「狂徒超參數調整增強型深度神經網路因子時序橫截面雙動量單期槓桿風險報酬比最佳化策略」。
󠀠
󠀠
#暴徒投資
#槓桿投資
#機器學習

https://arxiv.org/pdf/1904.04912.pdf