量化CTA系列报告：线性趋势策略和展期策略

自2000年以来，CTA策略指数稳步上升 2000年以来CTA指数走势呈现明显的非线性收益特征。从分年无杠杆收益来看，除2018年收益为负，其余年份均能取得较好的正向收益。 CTA策略的两大核心收益来源 CTA策略主要的收益来源于价格的趋势延续带来的收益、远近合约的升贴水结构带来的展期收益。 线性趋势类策略 量化CTA策略以分钟级数据驱动的趋势类策略主要以量价因子、盘口因子为主，以日频数据驱动的趋势类策略主要以现货价格数据、仓单因子和会员持仓等结构化数据为主。 截面策略 截面策略分为截面动量策略和展期收益策略。截面动量策略赚取的是截面相对强弱延续的收益，展期收益赚取的是远近月合约升贴水的收益。 策略组合 在策略开发中，从不同视角和不同交易行为逻辑开发的各类策略，能给整体的portfolio绩效带来较为显著的一个边际提升。所以对策略底层逻辑的研究比策略的过度优化能更容易带来显著的绩效提升。 风险提示 模型结论基于合理假设前提下、基于历史数据统计规律推导而出，市场环境变化下可能导致出现模型失效风险。 1.CTA策略发展和分类 1.1.CTA策略指数收益率稳步上升 从图表1—Eurekahedge发布的CTA指数表现来看，2000年以来CTA指数表现是稳步上升的。指数曲线展现出一个明显的非线性收益特点，即在波动率低迷时，指数横盘调整，当波动率上升时，指数表现为阶跃上升。这也是CTA作为危机alpha的一个很好的验证。 图表1：Eurekahedge的CTA策略指数收益表现 从图表2—Eurekahedge-CTA指数分月、逐年表现来看，2000年至2022年3月，只有2018年的整年收益是负的，其余年份均能获得一个正向收益。 图表2：Eurekahedge-CTA指数分月表现 1.2.CTA策略特征 CTA策略特征有多空对称、收益非线性、危机Alpha、权益策略低相关性和多品种多周期等特征。在多空交易方面，CTA策略是完全对称的，主要体现在多空交易成本和多空资金权重分配上。危机Alpha体现在当权益市场出现大的下跌危机时，从而带动金融市场整体的波动率的提升，进而引发商品端的更为明显的肥尾效应。 图表3：CTA策略特征 1.3.国内量化私募公司CTA规模分布 国内CTA量化私募公司规模分布如图表4所示，其中0-5亿规模的公司占比为58.76%，10亿规模以下的公司占比为92.09%，由此可以看出国内目前在量化CTA这一块还没有出现非常明显的头部集中化，还有比较大的发展空间 图表4：国内量化私募公司CTA规模分布 1.4.CTA策略分类 我们从策略逻辑和投资人角度两方面来划分。首先介绍下投资人的角度，投资人更关心的是策略的大致做法、框架以及表现出来的绩效，对策略细节关注少。 如图表5所示，从投资者人角度可以将CTA策略划分为主观交易、量化交易和CTA的FOF。其中： 主观交易：主要是通过行业研究，获取行业的beta收益。市场上有很多期货公司的资管子公司在行业研究上有很深厚的积累，能够获取行业现货端的最新消息，对行业上下游的博弈有很深刻的认识，从而获取不错的投资收益。 量化交易：主要是通过数理工具和程序化执行，策略收益稳健。目前市面上也有不少期货公司的资管部门在量化交易方面有不错的表现，不过CTA的量化交易者大部分还是在量化私募。 CTA的FOF，这一类目前在国内比较少。CTA的FOF目前更多是一个探索状态，因为国内的CTA产品的历史业绩验证还有些许困难，数据量不够。 图表5：CTA策略分类—投资人角度 如图表6所示，从策略逻辑划分，可以将CTA策略划分为低频、高频、做市和套利四大类。其中： 低频策略：主观部分，主要是根据经济周期、行业季节性特征和行业上下游轮动等进行逻辑外推，获取一个行业周期轮动的择时收益。量化部分，主要是用库存、会员持仓、仓单以及现货端的结构化数据进行量化建模，对行业景气度进行刻画，然后追踪资金流和交易热度等方式来驱动交易。 高频策略：中高频部分，主要是通过量价因子、盘口因子和高频字段合成因子等，构建一个多因子、多品种的趋势追踪策略。极高频抢单部分，刻画短期的买卖压力，获取短期价差波动收益，预测周期大多在15分钟以内。 做市策略：通过不断的进行买卖双边报价，为市场提供流动性，获取流动性的风险溢价。策略一般赚取的是盘口价差和交易所的手续费返点。 套利策略：主要细分为跨期、跨品种、跨市场和行业内横截面套利等。这一类策略，有用高频抢单方式交易的，通过构建一些能通过协整检验的信号，获取一个价差回归的收益；也有用低频价差套利的，主要是通过分析远近月合约、行业上下游溢价关系等获取一个行业竞争格局演化带来的套利机会。 这一类策略有很多现货贸易商运用，因为他们有更丰富的产业资源和更及时的现货信息，对价差的定价有更完善的机制。 图表6：CTA策略分类—策略逻辑 1.5.CTA各类策略绩效表现特征 对于不同的策略类别，我们分别举例一些公开可查的策略净值曲线，来说明各类策略的绩效表现特征。 低频趋势CTA策略：收益比较平稳，容量大，回撤幅度适中。其收益曲线也明显展现出非线性特征。国内目前单体最大的量化CTA私募有100亿以上的合约价值规模，他们大部分资金是在低频CTA上。 中高频趋势CTA策略：收益比低频更加稳健，回撤也小于低频，但是容量没有低频大。目前市面上，高频CTA容量一般位于30-50亿左右的合约价值规模。其中有许多中小型量化私募以及头部的量化私募都有专门的量化CTA团队，主要交易的策略类别就是中高频趋势CTA。 图表8：中高频趋势CTA，收益平稳，回撤小于低频 图表7：低频趋势CTA，收益平稳 极高频CTA：对速度要求非常高，利润往往来源于15分钟之内的波动。从净值曲线看，回撤非常小，但是也会有明显回撤的地方，这些回撤一般由于交易事故，或者客户赎回时强制平仓造成的。这类策略容量很小，一般是2-5亿的保证金使用量。 套利CTA：这类策略不像趋势类的策略，它的收益曲线斜率较为稳定，赚取的是稳定的套利机会的收益。策略会选取一组配对标的，配对标的的相关性越低，策略的容量会越大，反之，策略的容量会较小。目前国内主做套利的量化私募规模也有100亿以上，这类策略对回撤控制非常严格，同时策略收益也是较为稳健。 图表9：极速高频CTA，对速度要求极高 图表10：套利CTA，回撤极小，收益适中 主观CTA：绝对收益可以达到很高，波动也巨大。这类策略一般是有产业背景的投资者研发的，通过自上而下分析经济周期，分析行业发展和产业变迁来夯实底层逻辑，然后通过追踪资金和产业景气度，获取行业轮动和品种供需失衡的择时收益。 CTA的FOF：目前更多是一个探索状态，因为国内的CTA产品的历史业绩验证还有些许困难，数据量不够。 图表11：主观CTA，绝对收益高，波动大 图表12：CTA的FOF，资产配置需求 1.6.国内量化CTA策略发展和延伸 量化策略的发展，催生交易程序化的进程，交易程序化的程度反过来给量化带来更激烈的竞争，让量化策略展现出强大的生命力和丰富的多样性。 我们以算力、算法和程序化的程度为主线，回顾下国内量化CTA策略自20世纪90年代以来的发展历程，如图表13所示： 国内CTA萌芽是在20世纪90年代，那时主要以主观基本面研究为主，用些技术指数来辅助交易，计算机算力也仅仅只够用来看行情，进行手工下单。 2010年至2015年期间，随着股指期货的推出、商品期货品种的多样化，国内开始产生纯粹的量化交易。其中商品期货的品种多样化，给数理统计、程序执行提供了土壤。交易人员人均算力的提升，让大家开始构建一些中低频的CTA，比如 15m 的K线策略。那时比较有代表性的是通达信平台的各类技术指标回溯，金字塔交易系统等这些半程序化的交易方式。 2015年至2018年期间，CPU制程技术的发展， 14nm 工艺的普及，带来了单位算力大幅提升、单位成本大幅下降。这时量化CTA策略开始向高频化发展，交易人员的人均算力的提升，让其可以开始处理商品期货全市场的1min级别数据和tick级别数据。这给CTA策略向高频化发展带来了很好的机会，同时高频化的发展也带来的量化CTA愈发激烈的竞争。 2019年至今，各个头部的量化私募开始搭建自己的集群服务器，几乎百亿规模以上的量化私募都有自己的中型或者大型的集群云服务器。集群云服务器带来的开发便利性，让大范围的策略协作开发成为可能。如：将CTA的投研方法运用到股票、可转债和场内ETF等。其中股票全市场每天的Leve2行情数据量达到15-20G，如果用非集群的方式，每个研究员都需要下载并清洗这么大的数据量，开发效率会大打折扣，而且分工协作也会受到很大的限制。同时集群服务器的搭建，也为大范围机器学习用于交易层面的研究提供了很好的算力平台。 图表13：CTA策略发展与延伸 1.7.CTA策略收益来源 CTA策略核心收益来源于两部分：价格的趋势延续收益，远近合约的展期收益。 价格的趋势延续收益，也即趋势策略。在金融市场，不论是商品期货还是股票，市场的波动分布都呈现出肥尾状。即出现单边行情时，价格往往会延续同方向运行。 图表14：商品期货市场波动呈现肥尾特征 CTA的另一个收益来源于展期收益，即商品远近月合约不同的结构带来的收益。即：通过做多贴水较多的合约，做空升水较多的合约。获得一个较为稳定的展期收益。 图表15：商品远近月合约展现不同结构 2.线性趋势策略开发 2.1.使用数据来源、各品种的板块分类 本研报所有tick级的原始数据来源于CTP柜台接收的行情。历史上缺失的数据，来源于掘金量化平台数据库。 分钟K线数据，来源于原始的tick数据自行合成各类字段。 主力合约判断规则为：当日成交量最大的合约作为次日的主力合约，并且月份往更远月递延，不往近月回转。 主力连续合约复权因子计算规则： 𝑀𝑎𝑥𝑖𝑑𝑉𝑤𝑎𝑝= ∗ 𝑇𝑟𝑑𝐴𝑑𝑗𝑇𝑟𝑑𝑖𝑑𝑉𝑤𝑎𝑝 𝑡𝑜𝑑𝑎𝑦 𝑡𝑜𝑑𝑎𝑦 𝐴𝑑𝑗 𝑛𝑒𝑥𝑡 𝑡𝑜𝑑𝑎𝑦 其中 ：𝐴𝑑𝑗𝑀𝑎𝑥𝑖𝑑𝑉𝑤𝑎𝑝 为次日复权因子 ，𝑇𝑟𝑑𝐴𝑑𝑗 为当日复权因子 ，为 𝑛𝑒𝑥𝑡𝑡𝑜𝑑𝑎𝑦 𝑡𝑜𝑑𝑎𝑦 为当日成交量最大的合约的成交均价，𝑇𝑟𝑑𝑖𝑑𝑉𝑤𝑎𝑝 𝑡𝑜𝑑𝑎𝑦 当日交易的合约的成交均价。 因子计算、评测和策略回测用到的品种和板块划分如图表16所示： 图表16：策略交易品种以及板块划分 2.2.线性趋势策略开发步骤 线性趋势策略的特点体现在线性和趋势两个方面，线性主要区别于非线性的趋势策略。如：海归策略，压力位支撑位判断这种类型的策略都是非线性的。线性策略实际交易展现出来的特点是随着信号值越大，仓位越大。 一般的线性趋势策略的开发步骤，如图表17所示：单因子挖掘 进行因子评价，衡量因子对未来收益的预测能力组合回测。 图表17：线性趋势策略开发步骤 因子挖掘方式：用分钟K线的量价数据、盘口数据合成的因子数据、以及高频tick数据合成的低频字段数据来进行因子挖掘。遗传规划这类因子挖掘方式通常容易过拟合，因子的直接解释性较差。 因子评价方式：一般分四部分，因子值与未来收益的信息相关系数、因子值自身的半衰周期、因子值之间的相关系数和因子值的分档收益。 组合回测方式：简单的线性组合、线性回归组合和神经网络训练组合。量化CTA策略，特别是分钟K线驱动的，由于数据量较少，常用的组合方式就是简单的线性组合，因为稳定、可解释并且可以减少单因子失效带来的组合影响。 图表18：线性趋势策略开发步骤 2.3.STM因子开发 接下来，分享一个量价因子构建和高频tick数据合成因子构建。 首先介绍一个STM因子，这个因子是通过构建一个移动窗口的平台，然后用判