高频交易中随机森林模型的风险调整绩效

由于有效市场假说对技术分析提出的理论挑战，技术指标在高频交易中的有效性仍未得到充分探索，特别是在市场微观结构效应占主导地位的分钟级频率上。本研究使用分钟级 SPY 数据评估了传统技术指标与随机森林回归模型的整合，分析了 13 种不同的模型配置。我们的实证结果揭示了样本内与样本外性能之间的鲜明对比，$R^2$ 值在训练期间从 0.749--0.812 恶化为测试期间的负值。特征重要性分析表明，基于价格的主要特征主导了模型做出的预测，占重要性的 60% 以上，而既定的技术指标（如 RSI 和布林带）仅占 14%--15%。尽管指标增强模型实现了更优的风险调整指标，Rachev 比率在 0.919 和 0.961 之间，但它们的表现始终逊于简单的买入并持有策略，产生的收益在 -2.4% 到 -3.9% 之间。这些发现挑战了关于技术指标在算法交易中有效性的传统假设，表明在高频环境下，它们可能更多与风险管理相关，而不是用于预测收益。对于从业者和研究人员而言，我们的发现表明，成功的高频交易策略应侧重于自适应特征选择和特定状态建模，而不是依赖传统技术指标，同时也指出了在模型开发中进行稳健的样本外测试的关键重要性。