《Machine Learning with Applications》：Optimizing investment horizons: Machine learning applications in technical analysis of the WIG20 index
编辑推荐：
本研究旨在评估机器学习与技术分析相结合在股票交易中的盈利能力。研究人员选用了WIG20指数及其三只成分股的丰富历史数据作为研究样本。尽管以往的绝大多数研究倾向于利用技术指标进行短期预测，但机器学习增强后的技术分析在不同时间框架和市场条件下的有效性仍属未决课题。
本研究旨在评估机器学习与技术分析相结合在股票交易中的盈利能力。研究人员选用了WIG20指数及其三只成分股的丰富历史数据作为研究样本。尽管以往的绝大多数研究倾向于利用技术指标进行短期预测，但机器学习增强后的技术分析在不同时间框架和市场条件下的有效性仍属未决课题。为了填补这一空白，研究采用XGBoost分类模型，结合121种类型共771个技术指标变体，评估了在2020年至2023年间，预测期为5至120个交易日的预测准确性与交易表现。该研究所涉及的技术指标规模远超大部分同类研究。研究结果表明，在对部分标的进行分析时，模型在较长投资期限（60–120天）内展现出更强的预测性能。这一发现反驳了技术分析仅适用于短期交易的普遍观点。此外，本研究提供了实证证据，支持基于技术指标的机器学习策略优于传统的买入并持有策略。研究弥合了理论盈利能力与实际应用之间的差距。
研究背景与意义方面，金融市场一直以来充满随机性，根据有效市场假说（EMH），股票价格呈现随机游走特征，历史数据无法用于预测未来走势。然而随后的研究如动量效应和收益反转效应的发现，对弱势有效市场提出了挑战。自适应市场假说（AMH）指出市场效率会随时间发生动态变化，在市场状态转换期间会出现短暂的可预测模式。传统技术分析因缺乏坚实的理论基础饱受学术界质疑，但其实用性促使大批实务界人士采用。随着算力的提升，机器学习为技术分析注入了新的活力，使研究人员能够从海量的历史数据中提取复杂的非线性价格模式。然而，这种结合方法在不同市场条件、不同预测期限下能否产生持续的超额收益仍存争议。有研究指出，以往文献中部分收益可预测性可能源于数据窥探，且预测能力在学术界策略普及后会下降。因此探究ML增强的技术分析在波兰等中等规模新兴市场中的表现具有显著理论价值。本研究利用华沙证券交易所的数据开展深入分析，论文发表在《Machine Learning with Applications》，旨在填补理论模型与实际交易应用之间的空白，验证机器学习策略相较于传统策略的有效性及其在实际应用中面临的限制。
关键技术方法方面，研究涉及的关键技术方法均通过Python编程语言及其相关计算库实现。模型样本队列来源于华沙证券交易所公开数据，包含WIG20指数及其三只自2000年起持续挂牌的成分股（KGHM S.A.、Pekao S.A.、Orlen S.A.）的每日交易数据。数据处理核心举措是借助TA-Lib技术分析库，针对欧元汇率波动及相关标的数据生成涵盖121种类型、共计771个技术指标变体。方法层面采用极端梯度提升算法作为分类器，预测价格涨跌方向。同时利用Hyperopt框架进行贝叶斯优化，对学习率、树深等关键超备数实现精细化自动调优。最后采用滚动窗口验证机制执行模型训练，并结合Grid Search阈值优化策略，在考虑10个基点单边交易成本的约束下评估表现。
研究结果部分具体如下：
WIG20指数分析
通过使用XGBoost算法模型对其价格进行预测分析，在不同期限下得出AUC（曲线下面积）表现。对于该主要指数，指标表现稳定，在60天和120天的投资期限上达到中至优水平。
分类指标与准确率表现
通过对比不同预测期限内的风险收益特征，对微调后的交易策略展开详尽评估，发现长线操作策略与短线预测相比具有显著优势。对于所选核心标的，其预测准确率随期限拉长呈现一致性上扬态势，其间受宏观事件扰动的特征减弱。
收益表现与夏普比率
通过分析XGBoost算法生成的投资组合表现得出，对于WIG20指数而言，中长期投资策略在跨度达60至120天时，年度收益率区间持稳在16.8%至22.2%之间；同时得出其在风险调整后的收益衡量上显著优于其他测试标的。此项分析推论，指数相较于个股波动性更小，预测其价格变化的模型面临的不确定性更小。
对比基准买入并持有策略表现
通过横向对比基于ML的量化策略与Basak等基准交易策略得出，研究区间内针对核心指数以及重点个股的操作中，在60天和120天上ML策略明显优于被动策略。仅在相对特殊的非有效期限，被动策略在波动较大的特定年份中反超，因此证明了技术型策略较全天候被动策略的优越性并不能笼统涵盖所有股票和所有周期条件，必须以微观角度介入。
讨论部分总结指出，通过结合大规模技术指标筛选与XGBoost模型算法，研究证明机器学习策略在较长期预测中能捕获更具持久性的深层市场趋势，有效滤除了短期随机噪音干扰。实证证实了价格预测存在时效非平稳特征，对传统“技术分析仅适用于短线”的观点形成挑战。对于成分股的探讨表明，由于自身特性差异，预测结果可能在特定资产和测试期间出现显著差异，表明模型对资产特定属性高度敏感。针对机制缺陷，研究在结论部分进一步展开反思，指出在实际交易体系中，尽管模型在核心标的上展示了强劲的年化表现，但由于现实货币市场中远月期货活跃度欠缺及流动性受限，导致在长期限-frame上无法找到恰当的对冲或直接下注工具。因此，虽有基于数学算法的套利逻辑理论支撑并成功越过回撤机制检验，实务环境的市场摩擦机制仍成为了决定性阻障。纵使策略完全转化面临限制，其在重点标的单只股票约20个交易周期的中短线灵活部署中仍具施展余地。研究不仅证实了技术方法在风控调整收益率层面的超越性，同时为后续学术界指明下一步方向：建议学者脱虚向实，扩展至其他资产类别或衍生体系，研究自适应形体下应对结构突变的相关评估方程组，以破除资金容量与流动性约束的系统瓶颈。
