基于DTW算法的转债择时初探：历史如何重演？.pdf

核核核核心观点心心心观观观点点点

DTW算法简介：动态时间弯曲（DynamicTimeWarping，简称DTW）算法由学者Itakura在1960年代提出。算法基于动

态规划原理，对时间序列进行有效的匹配，尽管用于比较的时间序列长度可能不一致。在DTW算法丰富的应用历史中，其

被广泛应用于语音识别、气象信息、心电图记录和基因序列等。证券交易数据作为典型的时间序列数据，也适用于使用

DTW模型进行匹配。不同于锁步度量方法（如欧氏距离）容易产生时间序列错误匹配或难以识别潜在模式，动态时间弯曲

算法能够使得形态相似但时序上不能对齐的两段序列实现匹配，通过对序列进行缩放、平移，实现不同时点之间的对齐与错

配，寻找在允许伸缩变形的条件下最为相似的片段，并根据设置的定义计算两者的相似程度度量。同时，DTW算法对时间

序列进行匹配时，某些位置可能存在不合理的伸缩或错配，称作“病态匹配”。为了改进“病态匹配”问题，DTW算法从

全局约束和局部约束两个维度致力于提升匹配的效果。

模型构建与参数选取：模型构建逻辑并不复杂。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”，尝试预

测未来一段时间的走势。从历史走势中寻找与其走势相似的时间段，并通过约定的算法衡量其“距离”被比较期的距离，对

于满足阈值要求的历史片段，计算该时间段未来一段时间的历史走势。基于设定的阈值完成匹配后，以样本相对被比较期“

距离”的倒数作为权重，加权汇总后得到对于预测期走势的预测。模型所涉及的参数数量较多，实测中主要需要通过充分的

测算来调优。我们分别寻找主要变量令模型效果最优的取值，再进行汇总微调。

策略实测效果：我们基于中证转债指数表现，从三个层次来展示模型实测效果。从未经全局或局部约束的原始DTW模型来

看，模型已经体现了可观的回撤控制效果，但超额收益获取不足；采用了全局约束控制“病态匹配”的两组模型，回测期内

相对中证转债指数的超额收益分别为6.09%与14.33%，同时其最大回撤水平仍有明显的降低；而本文所摘录的、通过局部

约束改进的4个策略分支，均进一步体现出相对原始模型的显著增强。其中，回测期内超额收益表现最优的TypeIIA模型相对

中证转债指数获取21.49%的超额收益，最大回撤的逐年表现也有较大改善。

风险提示：政策不确定性；统计误差；模型失效。

1

目目目目录录录录

模型简介：DTW算法

模型训练：模型构建与参数选取

策略效果：实操效果

2

模模模模型简介：型型型简简简介介介：：：DDDDTTTTWWWW算算算算法法法法

本文将专注于从微观层面出发，利用技术指标（交易量价）来构建市场时机选择策略。

概要：动态时间弯曲（DynamicTimeWarping，简称DTW）算法由学者Itakura在1960年代提出。算法基于动态规划

原理，对时间序列进行有效的匹配，尽管用于比较的时间序列长度可能不一致。在DTW算法丰富的应用历史中，其被广

泛应用于语音识别、气象信息、心电图记录和基因序列等。证券交易数据作为典型的时间序列数据，也适用于使用DTW

模型进行匹配。

优势：不同于锁步度量方法（如欧氏距离）容易产生时间序列错误匹配或难以识别潜在模式，动态时间弯曲算法能够使

得形态相似但时序上不能对齐的两段序列实现匹配，通过对序列进行缩放、平移，实现不同时点之间的对齐与错配，寻

找在允许伸缩变形的条件下最为相似的片段，并根据设置的定义计算两者的相似程度度量。

通过欧氏距离测度的锁步度量通过动态时间弯曲距离的弹性度量

EuclideanDistance