CTA策略中短期量价策略策略研发交易流程基本面多空策略

CTA基金历年概览

CTA基金在过去6年皆取得正收益，且在大波动年份收益优于股票多头基金，进攻与防守兼具。

CTA基金配置价值

系统搭建

中短期量价策略

中短周期（1-5天）

利用人脑和电脑分别学习盘面量价数据特征，训练并筛选出有效量价因子，预测中短周期商品期货价格走势，构建一揽子期货交易组合。

中长周期（10-20天）

基于产业数据和现货基本面逻辑关系，构建模型刻画多品种间强弱关系，预测中长周期商品期货价格走势，构建多空对冲期货交易组合。

CTA策略体系旨在追求及时性和稳定性之间的平衡

及时性：对短期价格波动的快速响应

稳定性：对长期商品定价的稳固逻辑

短期量价策略

• 挖掘方式：寻求更多与未来期货价格高相关的因子：人工识别学习（线性回归）、机器学习（非线性，涉及深度学习等工具）
• 统计维度：从不同维度提高信息容量：时序因子(易分析风险暴露）、截面因子（纳入不同信息因素）
• 因子检验：捕捉有效因子，清晰交易逻辑：人工检验、半监督训练（不断优化因子）
• 因子组合：评测不同因子比重对未来收益的影响：线性方式、非线性方式

根据不同信息统计维度和挖掘方法，采用一系列的因子检验标准,通过量化模型配置因子权重，选取符合标准的期货构建交易组合。

策略研发、交易流程

数据处理：从金融服务终端、各类网站等抓取数据，做数据清洗（处理掉离群数据），并利用分布式数据库简单分析和分类汇总等预处理工作。

全数据训练：运用多种机器学习算法对全部历史数据进行训练，训练后得出的分类模型和回归模型，进行测试和验证。

评估因子：对于训练后得出的模型会用样本外测试数据进行检验和评估；根据准确度、因阳性预测值精度、特异度等检验。

因子组合：在因子池中进行大类因子合成，解决多重共线性等问题。之后，系统根据多个目标函数构建因子集的组合，得出模型。并根据风控系统进行组合模型的优化。

实时行情：托管服务器实时收集多个交易所行情数据后传输到策略服务器，进行运算。

模型输出：优化后的模型根据行情的推送，计算并输出交易信号，系统进行头寸虚拟撮合，把净头寸信号由专网推送交易服务器。

执行交易：借助低延迟交易系统和交易算法将交易分布执行。

新数据采集：交易中产生的新数据由服务器继续采集，开启新一轮的数据处理过程。

短期量价策略案例

量价因子举例：动量因子

基本逻辑：根据期货市场投资者的非理性行为，假定资产价格具有趋势性，即价格趋势会在短期延续。寻找一个量价数据的解析式，用于刻画商品期货趋势性强弱的特征；做多强势品种，做空弱势品种。

进一步研究因子本身的特征，做分析和调优；见二维热力图分析

短期量价策略案例-量价因子举例：遗传规划（非线性因子）

基本逻辑：期货的量价数据与收益率之间的有些隐藏关系，需要依赖一些算法自动找寻并生成两者间直观的显著特征关系。为了简化随机过程，通过固定4种找寻方式，快速提取到最优解。

基本面多空策略

主观基本面交易与量化基本面交易的区别

主观基本面交易：

1、标的集中：只交易熟悉标的，由于标的单一，所以超额收益来源于择时RB，RB-HC

2、逻辑固定：固化投资逻辑，宏观分析，产业链分析，供需平衡表

3、仓位定性：静态管理资金，维度较少：多仓，空仓，重仓，轻仓

量化基本面交易：

1、标的分散：同步交易全市场品种，标的集中度低，超额收益来源于统计概率RB，HC，CU，NI，A，SC，MA，…

2、逻辑优化:不断调优驱动因素，依赖大数据处理，优选数据源，基本面因子化，优化下单算法。

3、仓位定量：动态管理资金，信号权重(0.1, 0.12…)，信号大小([-1, 1]), 板块分散布局，精准仓位控制。

基本面量化策略：单品种趋势策略、多品种截面多空策略、配对交易策略、价差交易策略

单品种趋势策略：

• 研究单品种基本面
• 根据基本面预测数据判断期货涨跌方向
• 单边左侧交易
• 风险大收益高

多品种截面多空策略：

• 学习主观研究员的分析逻辑框架
• 寻找各类品种中具有共性的基本面驱动因素
• 清洗出有效基础数据
• 构建模型，进行多空交易

配对交易策略：

• 研究现货上下游逻辑关系
• 将上下游对应期货品种配对组合
• 做多强势品种，多空弱势品种
• 有效规避宏观因素影响

价差交易策略：

• 寻找两个不同期限的期货合约之间的价差
• 根据基本面因素判断价差收敛/扩散趋势
• 进行“套利”交易
• 只适合部分品种的交易

基本面多空策略

• 平均持仓10-20天
• 容量大，波动性小
• 从供给需求、产业链、替代关系、宏观因素及季节性因素挖掘长期有效因子
• 优化下单算法，降低交易成本

基本面多空策略实盘案例

锚定库存周期：判断强弱变化

影响基本面的因子较多，拿库存因子举例。通过量化模型判断不同品种各自相应库存数据的变化，预测中周期上强势品种和弱势品种。

2020年6月至2021年7月甲醇华东地区库存数据一直在降低，主要由于受到台风等天气影响，华东部分进口船货到港以及卸货时间均推迟；另一方面，传统下游开工率提升，下游提货较为积极，泰州太仓等地区出货较好，因此港口库存处于去库状态。根据库存逻辑，去库周期下价格一直走高。此期间库存类因子在甲醇头寸上一直多单持有，最终获得盈利。

风险控制

如何应对复杂多变的商品期货市场？

通过对策略和产品进行充分事中和事后归因，实时分析策略表现，机器快速消费计算任务，及时调整头寸。

控制过拟合风险

过拟合风险：就是最终模型在训练集上效果好，但是在测试集上效果差。也就是模型泛化能力弱。

解决方案：

1、扩增数据集：例如将图像平移、翻转、缩放、切割等手段将数据库成倍扩充。

2、特征因子筛选：过滤局部特征值。

3、划分训练样本的时间窗口：训练样本外的测试数据集来检验结果。

4、改进模型：提前中断训练（U形底部），优化参数（稀疏&更小参数），简化神经网络（删去部分神经元），

等等。

不断迭代的策略算法