开盘5分钟价格反转的探索

动机说明

市场中经常存在过度反应和跟风的现象, 反映在价格表现上即过冲. 偏离市场均衡价格的资产会在供需关系的调整中向均衡价格调整. 从交易时间和交易量的关系来看, 这种偏离和回复的过程最容易发生在开盘阶段, 因为此时的交易量很大, 且市场刚刚开始交易, 需要时间从偏离的价格回到均衡. 于是我们探求以下可能性: 当开盘的价格与前一天收盘价格相差较大 (跳空) 时, 市场很有可能出现了过度反应的表现, 因此在开盘的短时间内价格可能会反向变动. 通过刻画这样的规律, 我们可能可以在其中获利.

实证检验

我们使用近十年的期货5分钟频率交易数据, 检验此猜想的正确性.

由于期货交易存在夜盘, 开盘的时间可能在晚上九点也可能在早上九点. 在统计过程中我们选择每个收盘数据 (下午三点) 的下一条作为开盘的数据, 计算开盘价格与收盘价格的差距 DIFF, 并使用开盘第一条数据的 open 和 close 价格计算对应的收益 PNL. 但是应当注意的是: 开盘时期价格变动快, 考虑到交易上的细节 (滑点和延时等), 这样计算的收益可能和真实操作所得并不相同.

我们对每个期货品种都计算 DIFF 和 PNL 序列的 Pearson 相关系数.

1 2	from scipy.stats import pearsonr corr, p_value = pearsonr(new_df['diff'], new_df['pnl'])

A
Pearson相关系数： -0.20737190174724393
P值： 1.7852076381811683e-25
AG
Pearson相关系数： -0.13361857822411088
P值： 2.420977933053199e-11
AL
Pearson相关系数： -0.18829213623228383
P值： 5.465776219210477e-19
AP
Pearson相关系数： -0.05616517991102882
P值： 0.051857546218214576
AU
Pearson相关系数： -0.12807007748398577
P值： 1.5699949919249393e-10
BU
Pearson相关系数： -0.16231410732127666
P值： 1.0974306396604648e-12
C
Pearson相关系数： -0.2566809911845822
P值： 2.6361659122457257e-33
CF
Pearson相关系数： -0.16635734931627535
P值： 4.95132420686658e-15
CJ
Pearson相关系数： -0.1810257299828448
P值： 2.2067892364897213e-08
CS
Pearson相关系数： -0.18329779328760623
P值： 5.95077594365041e-15
CU
Pearson相关系数： -0.05150764582687138
P值： 0.010334419170353177
EB
Pearson相关系数： -0.1806782988547395
P值： 4.0464948293709895e-07
EG
Pearson相关系数： -0.34760052858929014
P值： 9.232583797283889e-31
FG
Pearson相关系数： -0.09368824539881997
P值： 2.9874569406286376e-06
FU
Pearson相关系数： -0.10103304029562014
P值： 0.0006562131042797476
HC
Pearson相关系数： -0.08724029364139538
P值： 0.00023330028982218045
I
Pearson相关系数： -0.0204587444212761
P值： 0.32746091961060486
J
Pearson相关系数： -0.0785045581296356
P值： 9.154044476502839e-05
JD
Pearson相关系数： -0.009830408101774189
P值： 0.6391100641984887
JM
Pearson相关系数： -0.09628207967967214
P值： 2.005425884252528e-06
L
Pearson相关系数： -0.06570289802656043
P值： 0.001065841094509181
LH
Pearson相关系数： -0.15895234812954687
P值： 0.0005731449456902907
LU
Pearson相关系数： -0.1320983395157422
P值： 0.0013125643950424436
M
Pearson相关系数： -0.20198087712916965
P值： 3.171932742252645e-24
MA
Pearson相关系数： -0.20014167683328324
P值： 6.737760670914706e-19
NI
Pearson相关系数： -0.09227175134515969
P值： 4.6758439553087953e-05
OI
Pearson相关系数： -0.08668217778237432
P值： 2.3358047306712454e-05
P
Pearson相关系数： -0.08040493342143368
P值： 6.149805873272647e-05
PB
Pearson相关系数： -0.1870928753097101
P值： 6.883664365518077e-14
PF
Pearson相关系数： -0.0640704275183838
P值： 0.14301868421961103
PG
Pearson相关系数： -0.07490730581405831
P值： 0.04450478051929686
PK
Pearson相关系数： -0.1608097249415772
P值： 0.0006434279813629637
PP
Pearson相关系数： -0.10867611424641291
P值： 3.1498580947313215e-07
RB
Pearson相关系数： -0.016298758643591045
P值： 0.4173721148585396
RM
Pearson相关系数： -0.050954310585970525
P值： 0.011185520529415112
RU
Pearson相关系数： -0.12566410968179936
P值： 3.4463655805171445e-10
SA
Pearson相关系数： -0.13974826805804705
P值： 9.389766181825825e-05
SC
Pearson相关系数： -0.27577594644160286
P值： 1.528828798173364e-22
SF
Pearson相关系数： -0.09131168173782554
P值： 0.0007615992869168916
SM
Pearson相关系数： -0.02005589086867765
P值： 0.44712395239013386
SN
Pearson相关系数： -0.07690265831968432
P值： 0.0012473790757263105
SP
Pearson相关系数： -0.1398470367341767
P值： 5.74704906998192e-06
SR
Pearson相关系数： -0.01706104241905038
P值： 0.3959237690301586
SS
Pearson相关系数： -0.03336657425427174
P值： 0.35328032713023405
TA
Pearson相关系数： -0.12496192599950555
P值： 4.323271920768125e-10
UR
Pearson相关系数： -0.02200548545044749
P值： 0.6152550341180621
V
Pearson相关系数： -0.05355994355191832
P值： 0.02736008966450975
Y
Pearson相关系数： -0.11820651913979813
P值： 3.5912923210402432e-09
ZC
Pearson相关系数： -0.09561346936436839
P值： 0.00015104336926349102
ZN
Pearson相关系数： -0.06365910793896877
P值： 0.001521576646902638
IC
Pearson相关系数： -0.06303361391053225
P值： 0.0056280212413991094
IH
Pearson相关系数： -0.08054974493332784
P值： 0.00039964441106484725
IF
Pearson相关系数： -0.021788725895656124
P值： 0.27827009006261044
T
Pearson相关系数： -0.019201537778653254
P值： 0.3972289119179992
TF
Pearson相关系数： -0.03022433177515388
P值： 0.17269567332216082
TS
Pearson相关系数： -0.08394964402970251
P值： 0.013463974520993325

可以发现每个品种的相关系数都为负数且显著, 说明跳空的幅度和开盘5分钟的价格变化方向负相关.

使用两组数据绘制散点图, 发现数据几乎在原点附近呈现近似联合正态分布, 而只有偏离原点较远的数据呈现出较为明显的负相关性. 因此, 我们应当建立恰当的筛选机制, 只在跳空幅度较大的一些时机进行交易.

同时, 5分钟K线也表现出类似的现象.

策略构建

我们选取两种方法简单地构建一个策略:

在每个开盘时期, 选择5个跳空幅度最大的品种进行交易, 即做空向上跳空的品种, 做多向下跳空的品种.
仅在时序上考虑单个品种, 如果跳空的幅度大于之前统计的标准差, 则进行相应操作.

具体实现上, 为了筛选出开盘的数据和计算所需的信息, 可以在原先的 DataFrame 中对每条数据附加前一条数据的 close 信息, 然后仅保留上午九点与晚上九点的数据.

df = data[key].loc['2013-01-01 00:00:00':'2023-01-01 00:00:00'].copy()
df['last_close'] = df['close'].shift(1)
df['diff'] = (df['open'] - df['last_close'])/ df['last_close']
df['pnl'] = (df['close'] - df['open'])/df['open']

new_df = df[df.index.strftime('%H:%M:%S').str.contains('21:05') | df.index.strftime('%H:%M:%S').str.contains('9:05')].copy()

最终将每个品种得到的 new_df 中的 diff 和 pnl 单独构建新的表格, 即是我们信息的来源.

为了不使用未来的数据, 我们采用滚动的方式计算标准差, 期限为过去一年.

top-5

def mark_max_5(row):
    # 取出每一行中非 NaN 值
    non_nan_values = row.dropna()
    # 如果该行没有非 NaN 值，则返回空 Series
    if len(non_nan_values) == 0:
        return pd.Series(np.zeros(len(row)), index=row.index) 
    # 取出非 NaN 值中最大的 5 个
    max_5 = row.nlargest(5)   
    # 将这 5 个值对应的位置标记为 1，其他位置标记为 0
    return pd.Series(np.where(row.isin(max_5), 1, 0), index=row.index)

signal = merged_diff.apply(mark_max_5, axis=1)

greater than std

1 2	std = merged_diff.rolling(241).std() sig = std.apply(lambda x:np.where(x>1,x,np.nan)).apply(np.sign)

计算收益

产生的信号中只有 1 和 np.nan 两种, 我们在 1 的位置做空对应品种.

1
2
3

pnl = (sig * merged_pnl).apply(np.nanmean,axis=1).fillna(0)
nav = (-pnl+1).cumprod()
nav.plot()

下图展示了第一种策略的收益曲线:

最大回撤为 6.73%, 夏普率 1.13.

下图展示了第二种策略的收益曲线:

最大回撤为 11.32%, 夏普率 1.90.

总结

总体表现上来看, 开盘5分钟的反转效应比较明显且稳定. 在期货价格 (复权后) 整体上涨的情况下我们依然通过做空获得了稳定且可观的结果. 然而这个简单的策略带来的效果似乎过于美好了, 但在真正是实现上, 策略的表现还会受到其他干扰. 开盘的交易中滑点是十分严重的问题, 由于买卖价差和交易延时的存在, 想要在精确的时刻上成交是要付出代价的(例如市价单, 损失ES). 如果不能在准确的时间以较为有利的价格成交, 经过计算在第二个5分钟所有的相关系数几乎都会反转符号, 意味着将要进一步造成损失. 另外, 高频交易的手续费也是不可忽视的因素.