利率结构、市场摩擦与跨期套利——基于机器学习的预测

传统套利模型大多仅采用价差自身滞后项建模预测，并利用预测值与阈值的差异来决定是否套利，该方法遗漏了较多有用信息。文章通过将利率结构及市场摩擦因素引入预测模型，并利用8种机器学习模型对沪深300股指期货的跨期价差进行预测及构造套利策略，研究结果表明：机器学习模型能够对跨期价差实现非常精准的拟合，Elman网络、随机森林以及平均集成模型表现最好；利用机器学习模型预测值构造的套利模型能够取得非常优异的费后绩效，绝大部分套利模型的夏普比率均在30以上；将利率结构和市场摩擦因素从机器学习模型中剔除，模型预测能力及套利绩效会发生明显下降。