本文通过将动态时间规整算法与技术分析理论相结合,并将其运用于期货日收益率的预测当中,由此构建量化投资策略模型并且对模型进行优化,使得优化前后的模型较之于同期的上证指数均有良好的表现,各项评测指标均优于市场基准,说明据此构建交易策略很有效果。动态时间规整算法(DTW)作为语音识别系统的核心算法,其本质是为了度量两个数据序列的相似程度,表现在坐标系中就是两个波形的相似程度。而时间序列数据,或者由此构建的波形,都是二级市场上进行技术分析的有力工具。例如由交易价格形成的K线图,不同的K线图形成了不同的波形形态。使用DTW算法分析不同时段波形图的规整性,进而挖掘其中的交易机会,形成交易策略具有理论和实践上的可行性。传统的技术分析理论基础,例如道氏理论、波浪理论、K线理论、趋势理论、缠论和周期性理论,都与波形有关,波形图来源于对交易数据形成的时间序列。技术分析有效的前提是资本市场为弱有效市场,也就是历史会重现。基于我国资本市场是弱有效市场的现状,将DTW算法运用于波形分析上,也就有了坚实的理论基础。本文量化投资模型的核心原理,就是寻找与当前波形相类似的历史波形,进行相似度匹配,进而对目前的资产价格进行预测,寻找交易机会。由于期货市场在“T+0”交易规则下的种种优势,本文的量化投资策略标的确定为期货品种,出于该算法模型对数据量的需求原因,本文挑选了有足够历史数据积累的11个期货品种,而为了规避单品种投资风险,文章还构建了由这11种期货组成的投资组合。模型中交易算法以及回测阶段的设计,就是为了验证DTW算法构建的CTA量化投资策略的有效性。我们使用了上述11个期货品种自2010年1月1号至2017年4月30号的日收盘价数据完成了模型的参数优化和交易回测,考虑到交易数据中量价之间相互影响的关系,本文还对模型进行了优化,优化阶段使用的是量价二维数据序列。最后的结果显示,优化后的模型在回测阶段的各项指标均要优于原始模型,并且相较于同期上证指数年化16.09%的跌幅,模型在优化前后均达到了年化6%以上的回测收益,并且各项回测指标均要优于上证指数,说明本文的模型策略具有较为稳健的盈利特征。尽管本文在结构和内容上还存在众多不足之处,但作为将动态时间规整算法运用于二级市场CTA策略研发的首例,可取之处也是存在的,也希望对后续这类策略的研发起到很好的借鉴作用。