2022年CTA线性趋势及展期策略专题报告 CTA策略指数收益率稳步上升

1. CTA 策略发展和分类

1.1.CTA 策略指数收益率稳步上升

从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。

从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。

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。

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，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。

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。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。

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。

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。

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。

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。

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：

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。

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。

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。

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。

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：  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。

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。

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 断最新价格位于这个平台的位置，来计算因子值。在构建原始因子值的时候，建议是 把因子的值域调整为多空均衡分布，这样有利于后面的计算和数值处理。

计算因子参数和未来收益的矩阵： 根据因子公式，计算因子各不同参数的值。 计算未来第一根 bar 买，第 N+1 根 bar 卖的收益率。

计算因子半衰期： 将因子值的时间序列 factor 移位 N，得到移位后的时间序列 factor_N。然 后循环计算两者相关系数，直到满足： correlation(factor, factor_N) <= 0.5， N 即为半衰期。

回测参数设置：

数据驱动频率：5min 的主连 K 线数据，20130104 至 20220302。

品种数量：商品期货全市场品种（42 个品种）。

资金分配：将全市场分为四大板块（金属，黑色，石化，农副），板块 间平均，板块内平均。

成交价格：下一个 5min 的 vwap 价格，单边两倍交易所手续费。 

信号产生：计算原始因子值的升序排名值。

档位组合：以多头为例（0.6 进，-0.2 出），（0.8 进，0.2 出），（1.0 进， 0.4 出），空头类似。

因子分组收益计算： 计算原始因子值的时序排名，窗口取值长度一般为 5 倍以上的因子值参数长度。 将排名后的值分成 10 组，计算每组未来第一根 bar 买，第 2 根 bar 卖的平均收益率。

2.4.VwapLim 因子开发

高频 tick 数据合成低频字段的因子示例： 取 5min 内，600 个 snapshot 数据，按成交量排序 ； 计算成交量最大的 200 个 snapshot 的成交均价（5min 内 snapshot 小于 300， 取全部数据），定义为：VwapLim200 ；定义 5min 内所有订单的成交均价为 vwap ； 构建大单均值因子：factor = VwapLim200 / vwap - 1 (趋势因子)。

2.5.STM 因子和 VwapLim 因子组合回测

商品 CTA 多因子组合，实盘交易时，大多是直接让每个有效因子独立运行一部 分资金，这样可以扩大策略容量，减少短时间内的执行压力。两种不同方式构建的趋势因子，宽参数网格遍历相关性系数后， 可以观察到两者相关系数最高的地方为 0.31。这侧面印证了，两个不同因子的构建 方式带来的信息增量是可观的。不同构建方式的因子用来组合时，由于其构建方式差异，因子相互组合，最终呈 现出来的绩效曲线是更加平稳的。

3. 展期策略的开发

3.1.展期策略逻辑介绍

核心逻辑：通过做多贴水最多的品种，做空升水最多的品种，获得较为稳定的展 期收益。每一轮商品期货的库存驱动周期，都会带来远近月展期的一个收益。

3.2.展期因子构建

展期策略 BTG 因子构建步骤：（以下值都是逐日计算的）； 将最近月期货合约价格当作近似的现货价格：SpotPx ； 获取每个期货合约的价格为：FutPx ；获取每个期货合约剩余交易日：Rdays(大于 0） ； 计算每个期货合约的展期收益率，公式如下： ???? = [log(?????) − log(??????)] ∗ 365/?????/100.0； 将每个期货合约的 Cret 值用成交量加权得到品种展期收益率：FctCret(值越 大，远期升水越多） ； 每日对 FctCret 值进行横截面升序排名 FctCret_RankAsc，即：BTG 因子。

3.3.展期策略回测

回测参数设置：

数据驱动频率：日频，20130104 至 20220302。 

品种数量：商品期货全市场品种（42 个品种）。 

资金分配：各品种间平均。

成交价格：次日开盘前 30min 的 vwap 价格，单边两倍交易所手续费。

每天取 BTG 因子最小的 N 个标的做多，BTG 因子最大的 N 个标的做空。 

平仓时，边界档往外延伸 3 个排名。（例：平多时，FctCret_RankAsc 值至 少大于 N+3）

遍历 N 的值为（3，5，10），最终选择 N=5：

4. 线性趋势策略和展期策略组合

简单线性组合

两种策略类型收益来源不同，策略日收益率序列的相关系数为负相关性。所以两类策略进行组合时，可以明显提升整体绩效曲线的平稳度。从分年绩效指标来看，显著提高夏普比率。

在策略开发中，从不同视角和不同交易行为逻辑开发不同的策略，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。

5. 总结

CTA策略指数自2000年以来稳步上升，指数呈现出非常明显的非线性特点。 这也是危机 alpha 的一个很好的验证，当市场整体波动率低迷时，CTA 策 略指数横盘调整；当市场整体波动率上升时，CTA 策略指数出现阶跃式的 上升。所以当权益市场大跌之时，CTA 策略能很好的弥补权益端的回撤。 

CTA 策略收益来源：价格的趋势延续收益，远近合约的展期收益。其中趋 势延续收益源于金融市场的肥尾效应；远近合约的展期收益来源于商品库存 周期的带来的远近月合约显著价差的收益。 

线性趋势类策略：分钟级数据驱动的中高频策略和日频数据驱动的低频策略。 分钟级数据驱动主要以量价因子、盘口因子为主，日频数据驱动以现货数据、 仓单和会员持仓等数据为主。 

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。

两类策略组合：两种策略类型收益来源不同，策略日收益率序列的相关系数 为负相关性。所以两类策略进行组合时，可以明显提升整体绩效曲线的平稳 度，并且从分年绩效指标来看，显著提高夏普比率。

编辑：999感冒灵