七禾网今年是国际经济形势动荡的一年，也为CTA商品期货管理类策略提供了难得的中大级别波动率机会，很多交易者都取得了亮眼的业绩，在某些品种重仓的交易者或者CTA基金更是吸引了不少眼球。有第三方基金研究中心显示：今年市场机会较多，无论是股票量化，还是CTA策略，赚钱效应都较强。从募集量来看，股票量化的增量更明显，CTA策略由于业绩表现优异，也收获了不错规模增幅。 今年是 七禾网“海龟交易者培训计划”的第二个年头，我们聚集了更多程序化交易爱好者，看到大家的收益迭创新高。
如图：大部分商品期货近5年价格走势（净值），和波动率走势 今天通过此文 回顾我们的CTA策略开发历程，讲述我们的灵感如何被激发，以及我们如何启发公司团队内其他人的模型思路，希望对于读者有帮助。因为模型需要不断迭代，拓展模型策略思路来源显得非常重要。 1、手工交易经验 大部分初学或者从手工交易转向程序化交易的爱好者，都或多或少参与过市场交易。我们进行常规交易的过程，本质上就是对自己大脑的训练。交易者会对显著盈利和亏损的交易记忆深刻，然后回忆自己做出这笔交易的原因，进行归因。 举一个交易类的典型案例：日内交易利润最丰厚的时机，在于反复做反转交易，也就是抄底摸顶。直观感觉看，这类交易的特性是持仓时间短，下单时分钟线走势波动率剧烈（加速向上或向下），止损严格，但是需要部分亏损加仓。
如图：日内交易常用的划线交易法 如果再加大环境过滤，就会发现较好的日内交易者，都不会逆大势。 比如某品种出现了久违的方向性突破，一般开反向交易单容易出现较大亏损。所以在突破过去5日、20日左右的重要突破点位，和成交量爆增的点位，尽量不开仓。 再举一个品种选择类案例：手工交易者无法同时兼顾太多品种，所以重点关注最近表现活跃的品种，或者基本面出现重大分歧的品种。这个时候，量价方面的短期波动率、投机度，基本面方面的宏观、库存、需求、产能出现重大事件性影响，就会大幅度影响短期走势，对于做中长线的交易者而言，这就是确定性机会。今年的白银、原油等品种已经反复演绎了这一品种选择逻辑。 总之，手工交易者喜欢左侧交易（当然也有部分交易者喜欢右侧跟进入场）。所以如果能够锻炼自己的手工下单能力，对于CTA程序化上一个台阶显然是有帮助的，且能够产生持续新增的思路来源。 但是手工交易者也由于难以准确解释自己的下单逻辑，造成难以直接把交易经验开发成为可盈利的交易策略，这是我们经常遇到的问题，也是最难解决的问题。 2、经典程序化模型经验 经典CTA模型有很多，但是不可否认 大部分模型都是在赚时间序列动量的钱，我们将其称之为“被时序动量解释了收益来源”。经典的程序化CTA模型有这样几个特点，我也是在工作了几年后才反思体会到的，总结出来，和各位朋友共勉。 易得性：通过阅读很多量化投资的书籍，都可以获得这部分模型框架。比如阅读《海龟交易法则》，可以获得突破入场的交易模式+ATR倒数头寸的资金管理模式。再比如阅读《精明的交易者》，可以获得自适应均线参数调节的思路，以及标准差突破过滤的思路。再比如阅读很多日内交易的书籍，可以获得“OpenRangeBreak”和“菲阿里四价”， “R-Breaker”等交易思路。
如图：R-Breaker交易系统 易得性让我们的学习之路显得不是那么困难，因为能够持续盈利的交易方法很少有人分享，所以阅读让我们获得了和作者交流学习的机会，虽然是学习到框架，但是依然能够很大程度启发思路。 安全性：既然是能够经典的东西，必然经历过不同时间、不同市场环境的考验。安全性这个问题上，我们在从业过程中深有体会。2017年中长线资金容量较大的程序化交易进入困难阶段，我们提出很多新思路，尝试替代老模型。但是在样本外都发生了比经典模型更快速的性能衰退。一方面是由于当时技术储备不足，没有深刻认识到所谓“新思路”在收益方面的同源性，另一方面是我们忽略了新模型接受的市场考验没有老模型充足。 所以 把经典程序化模型，作为思路来源，在此基础上改进开发，成为工作方向首选。我也建议各位爱好者坚持这个方向，不要完全放弃了很多书中的经典思路。 其实经典程序化思路可以理解为是一种线性条件的统计分析经验，比如同一个条件对称开平仓（如双均线、突破交易），再比如不同条件组合使用（互相过滤、求信号交集），这类模型在不同周期都体现出强大的生命力。具体到了参数设置环节，就是细致地设定这些线性条件，可以针对自己熟悉的品种（或板块）优化，也可以全品种统一设定参数。 参数这方面提示一个经验： 越大的周期，由于波动的影响因素驱动，以及样本量偏少，一般全品种统一设定参数。 越小的周期，由该品种的固定交易者（或交易习惯）驱动，且数据样本充足，可以针对性优化参数，但是要考虑清楚这样做的风险。 3、金融工程研报和专业公众号 不同的券商或者期货公司都提供金融工程研究报告，和基本面研报对应，这类研报针对某种策略，某种交易方式进行详细解读。近几年来随着机构研究能力的提升，这类研报越来越丰富。 比如海通证券FICC系列研报，讲述了国内外CTA策略的类型、因子表现、权重分配等问题。我们根据它的研究内容，了解了时间序列动量的收益来源、横截面动量的捕捉方式，开发了商品期货多因子模型，以及尝试着通过““单品种目标波动率“和”“投资组合总体波动率”来控制头寸。
如图：海通证券FICC系列研报对于商品期货的策略类型分析 广发金工在2015年以前就成熟地应用遗传算法开发日内交易模型，当时国内在CTA机器学习方面的研究还并不深入，很多从业者对于机器学习和最终的交易信号生成没有逻辑，广发的一系列研报帮助我们认识机器学习，并构建策略思路。 东方证券的商品期货套利系列，渤海证券的商品期货展期收益系列，天风证券的持仓龙虎榜(即会员持仓排名)研究等等，都是金融工程在商品期货领域的实证研究，非常有参考价值。研报的发布能力也体现了券商的研究能力、策略储备能力，这是服务好客户的基本功，所以头部券商在此方面表现很积极。 除了期货公司和券商以公司名义撰写的研报，还有很多专业公众号作者也提供了优秀的内容，我经常会阅读Chihiro Quantitative Research所撰写的文章，其作者在公募基金担任研究员。比如今年7月，作者撰写的《如何追踪期货趋势跟踪策略的表现》提供了期货时间序列模型的归因方法（构建基金指数和策略指数），然后作者为了跟踪国内期货市场趋势跟踪策略的表现，设计编制了CQR TSMOM策略指数，这是一个中长线的策略指数，该指数收益能力优秀，表现稳定，和其他常见的大类资产之间相关性均较低，可以作为潜在的分散投资工具。
如图：CQR TSMOM策略指数 量信投资的石川博士也偶尔会撰写CTA策略类的内容，以时间序列分析为主。我印象较为深刻的，也是读者们容易理解的，是一篇简单的文章，文章结论是： 均线策略当价格震荡时，均线的方向可能会发生频繁的变化，容易产生大量的错误开仓信号，从而造成更多的交易次数以及较低的胜率。但由于信号出现的比较频繁，因此持仓时间较短，每次错误信号造成的亏损也不会很大、正确信号带来的收益也相对较低。通道突破策略，由于通道不易经常被突破，因此交易次数会少得多，不过胜率会更高。错误信号造成的亏损也会比较大，而正确信号带来的收益也会更高。 |
|
|
