一、商品期货CTA模型现状

在很多时候，选择波动率强度足够、波动流畅的品种，比思考优化和改进模型本身更为重要。感谢七禾网提供这个交流机会，今天通过此文结合最近对多位交易者的交流，和近期实盘感受，浅谈一些CTA模型的问题和想法。

大部分程序化交易者聚焦交易模型开发，这并没有问题，可能我们并未注意到，能否发出交易信号的模型，并非程序化的核心逻辑，我将这类模型称作信号模型。因为趋势交易的本质是做多波动率盈利，所以能否寻找到波动率高的品种，或者剔除掉波动率低且不规律的品种，才是面对CTA模型盈利根源做出的更加理性的方向性选择。

几乎每年都有一两段时间期货非常难做的阶段，2017年出现在年初和年末，所以导致市场尤其艰难，2018年市场上此起彼伏出现三波整体性行情，并不十分难做，那么2019年情况会如何？

2019年大部分交易者的资金曲线并未创新高，原因是2018年末发生了能源化工板块的下跌趋势后，2019年仅有4月、5月的农产品趋势，和6月初的能源化工板块下跌趋势，能够弥补一些震荡带来的亏损，大部分时候我们还是在忍受着模型的回撤。而且2019年在日频级别，发生了连续3次工业品整体突破失败，很多信号模型被诱骗入场之后止损。

上图由CTA基金经理代丹斌提供。粗线条为55周期高低点（衡量突破），细线条为20周期高低点（衡量突破），白色虚线为10周期高低点（衡量止损）。可以看到2019年工业品每次突破后，都出现了明显的反向运行。

同时，2019年开始商品期货市场的保证金沉淀量总体新增不多，乙二醇、纸浆、红枣等新品种却不断上市争夺有限的存量资金，导致了单品种获得的投机资金更少，叠加国际贸易的不稳定因素，交易者越来越谨慎，很多品种被限制价格大波动区间，难以形成更高的波动率。

但是市场并非没有热点，原油的大幅度下挫、红枣犹如小苹果的流畅走势，乙二醇、纸浆跌跌不休都能够给投资组合带来可观利润。

但是我们真的做到“好钢用在刀刃上”了吗？

二、慎重考虑CTA等权部署的逻辑假设

大部分情况下，我们做模型回测，为了不遗漏品种，且尽可能增加测试样本，都采用了尽可能多的品种部署，比如超过30个品种加载某个普适性强的趋势模型，或者剔除掉全市场流动性最差的部分品种，其他品种均部署模型。

但是等权资金分配在测试中可以借鉴，实际投资中需要慎重考虑。这种模式的背后假设是，我们不知道每个品种的波动率是否适合模型运行，也不知道其基本面是否出现不利于趋势运行的问题，或者该品种是否是一个产业套保资金为主，投机资金较少的品种。

在各种情况都不知道的情况下，等权部署资金是有道理的。但是我们真的不知道一些基本的信息吗？我认为并非是这样。用波动率举例，我们知道波动率的“均值回复特性”强烈，如果A品种最近已经爆发较大波动，则可以在下阶段降低权重。

等资金量部署这种方式在2016年双11之前是很有效的，起码做到热点不遗漏，但是近几年如上图，这种模式在一些普通模型测试中，资金曲线的上升斜率显著下降（两段时间斜率差异较大）。一方面和市场成熟度有关系，另一方面和品种增加，且投机资金难以增加有很大关系。

三、由简到繁 探索主要的资金分配模式

海通证券在《FICC系列研究之三 —— 多品种期货策略中的权重》研报中，详细介绍了几种资金权重调整方式，通过本节和大家简单分享，并做进一步描述，其实很多数学公式并不晦涩，在理解其构造后，很多交易者自己通过简单的数据处理也能做到。

总体来看，商品必做已经成为业界共识，投资者可以通过投资商品期货平抑传统股债组合的波动、获得潜在的风险溢价、对冲通胀风险等等。在整体商品市场中，通过对于波动率的追踪，来控制板块和品种的选择又至关重要。

1、等权配置

这种方法可以剥离风险分散化对策略的贡献，直接考察因子（和模型）本身的表现，等权一般作为我们构建模型的工作环境。但等权配置的策略波动和回撤较大，并非最佳方案。

2、ATR（或标准差）倒数加权归一化

这种方式计算了ATR（或标准差）作为波动率的表达变量，然后用ATR除以价格均值达到去量纲目的，在不同品种间方便横向对比。它可以起到同样的风险分散效果，第 i 个品种在 t+1 期初的权重为：

3、单品种目标波动率

单品种目标波动率策略是为组合内的每个品种，设置一个固定的目标波动率，通过加减杠杆将品种波动调整到目标波动水平。比如我为20个品种构成的组合，设置每个品种的目标波动率为20%，如果一个品种开仓5手只能达到10%，那么就再开5手，以达到20%这个额定的目标波动率值。

4、组合目标波动率

以上几种加权方式均没有考虑品种间的相关性。下面我们考虑一个包括N个品种的组合。组合内品种间两两相关系数实际上是期货市场内一个很有效的风险控制指标。

上图为某个日期截面上，一个25个期货品种的20日滑动窗口期两两相关系数矩阵。将其转化为一个上三角矩阵后，可以横纵求两次均值，得到全市场两两相关系数均值。

分散化使得组合的波动率低于单品种的目标波动率，这是我们构建组合最基本的假设，也是一个稳定的统计结果。我们可以通过每日横截面平均相关系数来调整单品种的目标波动率，即在品种间相关系数上升（下降）时降低（提高）单品种目标波动率。

也就是说，在观测到组合内各品种相关性降低的时候，通过构建的相关性因子，来提升单品种目标波动率，也就是给予单品种更大资金量。

不同资金分配方案的效果大致如上表所示。可以看到组合目标波动率管理是大致表现最好，需要说明一点，在测试任何资金管理方案时，都要使用最简单最稳健的模型，我们一般使用双均线和高低点突破模型，研报中使用了时间序列动量模型（单品种时间序列动量为正做多，为负做空）。

四、实盘中建议的品种选择技巧

1、基本面负面筛选

除了上一节所说完全的数量化分析方法外，在基本面方面我们可以发挥自己擅长的知识储备进行CTA模型品种优化部署。部分品种在产业链方面容易将价格直接传导到CPI，深加工链条较短，且受到政策保护和控制严重，这类品种价格波动必然小（如农产品），不适合执行趋势交易。

部分品种如果价格翻倍也难以对国计民生造成显著影响，大家自然想到的就是工业品，和部分工业中的小需求量品种，存在较大的价格波动空间。

这些基本面预判因素，是我们通过对于期货市场的各品种特性学习，和产业新闻分析得到的，它们是完全可以引入品种选择的。

还有股指期货最近发生的特殊小幅度震荡，是国家在下跌后进行政策保护和市场干预，强力托市情况下的市场谨慎情绪表达为区间窄幅震荡，这会造成短周期模型反复亏损。这些宏观的基本面风险，都可以进行一定程度的规避。

2、资金曲线筛选

简而言之，资金曲线如果长时间萎靡不创新高，说明该品种和该模型发生了不匹配，与其等待品种重新走出适合模型的行情，还不如暂时搁置这个品种，降低资金配置。但是我建议还是要维持对于一些主要品种的配置，可以降低短周期模型的比例，维持中长期模型的比例。

上图是PTA品种在某个日线模型上的资金曲线，经历了2015年7月~2018年7月连续3年的不创新高后，2018年终于走出历史性行情。PTA有其基本面的问题，很复杂也涉及到很多产业逻辑细节，我们抛开基本面不说，该品种在2018年爆发之后，在识别到资金曲线突破2017年11月高点，和2015年7月高点这两个时间节点上，是可以加大模型部署的。

换句话说，资金曲线完全可以择时，随模型原理不同，择时方法多种多样，相信这也是很多量化爱好者研究的领域。资金曲线择时在CTA领域可以作为“事件驱动”策略（假设突破会有进一步行情），也可以作为“困境反转”策略（假设长期下行后资金曲线有回升）。

3、历史走势突破筛选

如果觉得资金曲线选择品种不够直观，通过历史走势选择品种应该更容易理解，而且此方法不受到模型这个函数关系的影响（可以将模型理解为市场走势与利润之间的函数关系）。我们依然以PTA举例：

2018年7月23日，该品种突破了大致一年前2017年2月13日高点，呈现出上无压力，下有支撑的运行状态，随后出现一轮剧烈的上升行情。也有很多人认为这个点位存在较大的不确定性，所以我们的应对方案是，在方向性不确定而波动率放大确定的点位，部署较大资金比例的CTA模型。上图子图中，体现了2018年7月之前，突破类模型已经入场做多，从6000点吃到了8000点，最终大致在8000点附近以追踪止损方式离场。

结语：

今天通过本文首先分析了CTA信号模型的脆弱性，也可以理解为局限性。我们在构建这类模型时，越来越倾向于安全、原理清晰。这种信号模型不能奢求运行得到很高绩效，尤其是市场激烈的竞争环境，和不断退出市场的流动性提供交易者，导致很多精致的CTA模型已经无法使用。所以如何开发出更高层面的模型管理器，显得至关重要，通过这个管理器，将有限资金放在有效且规律波动的品种上，是下阶段大部分模型开发者要思考的重点问题。

作者介绍：濮元恺

2009年开始专注于程序化模型研究，随后经历股票多因子模型、商品期货时间序列模型等开发工作。

2016年加入中国量化投资学会专家委员会。

随后作为励京投资管理（北京）有限公司创始团队，发行了多只阳光化私募基金产品，业绩稳定。其中稳利二号产品在朝阳永续私募行业2018年度排名（债券混合类基金）中排名第8。

2018年撰写的《量化投资 技术分析实战》图书获得众多业内人士推荐成为畅销书，帮助很多量化投资交易者走上了起步之路。

七禾网联合量化交易高手濮元恺先生推出了免费量化系列课程，同时分享股指日内、海龟高性能改进等10多套策略模型，带您学习和提高量化交易！

相关链接：【免费量化培训】两大资深基金经理授课，送股指日内等10多套模型！