核心观点
- DTW算法简介：动态时间弯曲（DTW）算法由Itakura于1960年代提出，基于动态规划原理，对时间序列进行有效匹配，适用于长度不一致的序列。该算法广泛应用于语音识别、气象信息等领域，在证券交易数据中同样适用。DTW算法通过缩放、平移实现序列对齐，寻找允许伸缩变形条件下的最相似片段，并计算相似程度。但存在“病态匹配”问题，可通过全局约束（如Sakoe-ChibaConstraint和ItakuraParallelogram）和局部约束（如步模式和加权方式）改进。
- 模型构建与参数选取：基于当前时点T，选取过去一段时间的市场走势作为“被比较期”，寻找历史相似时间段并计算距离，对满足阈值要求的历史片段进行加权汇总预测未来走势。主要参数包括调仓周期（5天）、被比较期长度（15天）、匹配阈值（30以下）、历史数据范围（近2000个交易日）和历史数据更新跨度（至少10个交易日）。DTW距离计算采用价格和成交额的加权欧几里得距离。
- 策略实测效果：基于中证转债指数的回测显示，传统DTW模型回撤控制效果显著但超额收益不足；采用全局约束的模型（Sakoe-Chiba和Itakura）超额收益分别为6.09%和14.33%，最大回撤水平降低；局部约束改进的模型（TypeI至IV、ItakuraConstraint等组合）进一步提升了收益表现，其中TypeIIA模型超额收益达21.49%，最大回撤逐年改善。
研究结论
- DTW算法在证券交易数据中有效，但需通过全局约束和局部约束改进“病态匹配”问题。
- 模型参数调优复杂，需通过充分测算寻找局部最优解。
- 改进后的DTW模型在回撤控制和超额收益方面均有显著提升，具有较好的性价比。
- 模型潜在问题包括参数调优成本高、泛化能力有限、预测准确率有待提升。
- 未来改进方向包括尝试不同DTW距离算法、应用于个体标的和短线预测。
关键数据
- 传统DTW模型回测期内未取得明显超额收益，但最大回撤幅度和波动率水平更低。
- Sakoe-Chiba模型超额收益6.09%，Itakura模型超额收益14.33%。
- TypeIIA模型超额收益21.49%，最大回撤逐年改善。
