编者按：

从2019年初开始的“中国版海龟交易计划”至今已经走过2年历程，经过超过10次的培训，分享超过12套多品种期货CTA模型，以及两位导师和所有参与者的共同努力下，几十位参与者共取得超过1500万元盈利。

尽管比起国外的海龟交易法则，我们迟了30多年，但是整个项目用真刀真枪的长期交易成果回馈了所有人，证明了这个学习交流组织的价值，也证明了线性模型应对商品期货波动率的有效性。今天我们邀请该项目发起人，蝶威资产管理产品总监濮元恺，通过撰写此文，回顾这一年的CTA市场变化以及模型表现。

任何一位交易者在未来很多年内，都会对2020这个特殊的年份印象深刻。从疫情超预期扩散，到全球货币政策变化，再到诸多不确定性叠加，以及国内监管层对于期货市场的新定位，促成了大宗商品价格波动率提升，量化CTA策略展现了自己“危机Alpha”的特点。根据私募排排网，海通证券研究所统计，相比于海外市场，融智-中国对冲基金管理期货指数上涨 28.10%，仅低于股票策略指数的 29.73%，位居第二位。

因为在以往的课程中，我们已经讲了太多模型、市场结构，所以在今天通过此文，主要想和各位参与者沟通自己对于beta和alpha的关系思考，以及这两种收益的捕捉方式，目的还是为了回顾我们在2020年取得的成绩，以及思考未来如何应对，思考不同的策略类型对于不同市场的适应性。

1、商品期货是一个小世界

由于每个期货合约对标唯一的大宗商品，且保证金交易制度促进多空双向、T+0、投机和套保多类型交易，所以期货市场其实比股票市场更有深度。通过在商品期货市场交易，我们可以捕捉各类资产，包括股指、国债，甚至未来的汇率等变化情况。所以你能够想到的市场上的资产价格，在这里都有体现。

公开资料显示：CTA基金起源于1949年，美国证券公司经纪人理查德·唐奇安（Richard Donchian）设立了第一个公开发售的期货基金，唐奇安此前还提出了期货投资及其资金管理的相关方法，其中包括将移动平均的概念应用到期货投资中去，以及唐奇安通道——有趣的是，这就是海龟交易法则的前身。

既然是一个小世界，它自然能够一定程度上揭示大世界的真实变化，甚至通过它独特的交易方式，以及交易预期，来放大这种变化。2020年的商品期货走势诸位已经看到了，波动率汹涌，如果你是一个准确的基本面交易者，或者善用CTA模型，基本上都可以捕捉类似波动。

2、CTA模型是一个波动率函数

我的量化投资启蒙，是通过2013年到2015年开发股指择时模型，以及中国量化投资学会的诸位老师指导下完成最原始的对模型的认知。这个认知告诉我：如果不考虑除金融市场行情历史数据之外的其他数据，只考虑行情股票价格内部数据，则可以通过一个函数表达：

上图表达的意思是：第T+1期的价格（未来价格），可以通过一个函数关系，以之前的价格来解释。该函数将未来价格和过去价格构建关系，其中波动率是过去价格的一种衍生，还有很多统计指标也能衍生过去价格，放入模型带来更好效果，比如均值、偏度、斜率等等。

但是这个函数是非线性的（比如是分段的，是有逻辑分支的），我们所有模型开发者的工作，就是寻找一种方式逼近这个函数F，虽然它形态是非常复杂的。正因为如此，模型（函数F）的开发道路永不停步，市场在变化，我们要寻找到一个起码在历史回测中，以较高的手续费，交易多的交易次数都能盈利，且低回撤盈利的策略，在实盘中才有可能有生存的机会。

你可以有大概两个选择方向：A、让这个函数通过机器学习方式变得非常复杂，非常的非线性，难以理解，在样本内取得极高绩效。B、也可以大道至简，通过线性条件的组合、互相过滤，非常符合波动逻辑的撰写模型，达到一个长期绩效较稳，短期波动率可以接受的模型。实践告诉我，在CTA模型领域，后者是更好的选择，更理性地盈利方式，甚至能让你的职业生涯更安全长久。在股票alpha模型领域，前者在beta研究充足以及测试环境严苛的情况下是更好的选择。我也在思考，或许这一路线选择，可能和CTA组合的单品种单模型利润贡献不均匀，而个股的利润贡献较为均匀，有一定关系。

2年前，辅助项目启动（当时第一批加入者仅有20人左右），我们做了一个自己的公开业绩账户，如上图，通过配置大量在课程中讲解的线性模型，试图达到波动率追踪的效果，2年过去了，我们通过坚持运行它，基本完成预期。虽然有很多不如意，但是它代表了大部分该项目的参与者，如果在资金足够充裕，能够配置多套模型，多个品种下的平均表现。所以说CTA模型是一个波动率转换函数，将方向连续性的波动率转换为开平仓之间的利润。

2020年我们同时还尝试了股票横截面alpha策略，甚至非常大的精力铺在这里进行探索，所以接下来的两个部分，我想谈这里的感受和发现，以及这部分知识反馈到商品期货CTA模型对我们认知的进一步启发。

3、alpha收益（股票）对于beta收益（期货）的启示

Alpha收益概念更多地运用在股票中，它是指某个股票或股票组合相对于比较基准(通常指市场指数)的超额收益，或者特殊收益。这一概念在CAPM模型中被第一次定义，投资组合的收益率等于无风险利率加上风险溢价，在没有alpha收益的情况下，只有多承担风险才能获得更高的收益。资产的收益主要取决于beta值，beta越高，期望收益相对越高，beta越低，期望收益相对越低。资产的Beta系数描述资产与市场相关性。

学界普遍认为alpha收益不存在，或者不会长期存在，但是业界确实有很多优秀的投资公司，在持有一个非常大的投资组合前提下，通过优秀的调仓换股或者择时能力，依然可以获得alpha收益。但是alpha不存在的逻辑其实从未动摇，因为任何alpha因子，或者alpha方法被挖掘出来之后，都会被更多人发现、跟随、利用，从而转向变成beta因子，或者变成连beta因子都不算的某种异象。

Beta和alpha到底有何不同？尽管两者都能贡献收益，但是beta收益不稳定，alpha收益很稳定。通过下图（阅读量信投资的公众号，石川老师的文章时获得此知识）可以做简单介绍。

左上图，因子收益率在大部分时间为正，但波动较大。这说明该因子虽然可以贡献超额收益，但是其自身波动也带来了它对应的系统性风险。

右上图，因子收益率在大部分时间为正，且波动很小。这说明该因子不但可以稳定的贡献超额收益，其自身的系统风险也非常低。这在理论上是最优秀的收益因子。

左下图，因子收益率时正时负，波动很大，在统计上无法贡献非0的超额收益。因此，该因子无法带来超额收益，但是它可以显著的描述某种系统性风险。因此这个因子是一个优秀的风险因子，但它不是收益因子。

右下图，因子收益率在过去显著为正，可以贡献稳定的超额收益，但是在最近不再有效，转变为纯粹的风险因子，无法贡献超额收益，仅能产生系统性风险。

所以在股票市场上，alpha的挖掘是非常困难的，从宏观、到财务基本面、到量价微观，必须多角度入手才有可能保持因子的长期有效，所以大部分机构投资者的方式都是管理一个因子库，定期挖掘新因子入库，定期删除失效的老因子，并鉴别老因子是否可以作为beta因子使用。模型部分，也大量采用了非线性结构，实际上已经复杂到难以解释，但是在样本内由于测试条件苛刻（持股数量多，行业等风格因子中性，单调性好），样本外基本上可以保持表现，具体能保持多少，很大程度上不确定。

相比而言，商品期货的大部分CTA模型和股票选股模型有很大不同。我列举了以下几个容易理解的关键字，来解读两者的差异：

首先说明，上图所说的期货模型，是以时间序列择时为主的，试图获得第买高卖的择时收益，股票模型是横截面选股模型，试图获得对标基准股票池的选股超额收益。CTA也有横截面模型，以后我们单独讨论。

从模型结构上，两者最大的差异在于模型复杂度，股票模型经常被开发的较为复杂，非线性、机器学习，而期货模型非常线性，比如突破后开仓，或者突破加某几种过滤条件后开仓。

从对标基准上，股票模型有统一的业绩基准，比如中证500指数，而且可以通过做空中证500指数，做多一篮子股票，把超额的alpha收益拿到手。在此过程中，投资组合是不暴露市值beta风险的。而商品期货的择时策略，必须通过承担方向性的市值暴露风险（比如持有多头就暴露多头，市场出现整体下跌必然亏损）来盈利。

可能也正因为模型结构如此，加上波动率的不均匀分布（收益率长尾分布），商品期货CTA呈现高盈亏比、低交易胜率、低日结算胜率等特性。

我们也经历了较长时间的股票alpha因子挖掘和alpha模型开发，在突破了模型结构的各种技术壁垒之后，股票项目给我们的最大感受就是其衰变比期货CTA模型还要严重。我反思这些衰变可能源于这几点差异：

A、alpha因子向beta因子的转变，前文已经说过原因

B、机器学习非线性模型架构对于样本内的过拟合，在样本外缺乏稳定的验证方式。这一点如果做过参数拟合的开发者会很有感触。

C、股票市场的政策变化，导致市场风格轮动速度快，且历史上无类似踪迹。比如最近机构抱团部分少数所谓的“高确定性，行业龙头”股票，就让持股数量较大的alpha模型很难办。样本内高胜率模型反而对应着短期的风格切变导致的剧烈回撤。

D、建模阶段对于beta的中性控制能力不足，导致很多样本内回测收益是beta收益。对于beta的研究不足和alpha的获取息息相关，因为当你无法做收益归因的时候，经常会误以为自己赚到了alpha，实际上依然是beta。

总之，很多beta收益在股票市场是不允许被中性策略获取的，它们不仅会导致alpha收益不纯净，而且会导致样本外alpha受伤害。

期货CTA策略则完全不同，商品期货就是通过针对各种beta因素来设计交易策略，通过承担可控的、线性可解释的风险去获取收益。上图2个资金曲线由代丹斌老师提供，他在中电投先融期货资产管理任职，有丰富的CTA投资经验和超过2亿元以上的CTA模型组合管理经验，这两年的回报率在严格的风控约束下，依然维持在年化30%左右。这两幅图分别是课程中商品长周期与商品日内策略的表现，和项目参与者保持一致，我们也使用TBquant软件作为一个可对照的回测开发平台。如果你将主要商品期货2019~2020年的走势叠加分析，就会得到简单有效的结论——模型的收益大部分来自于市场变动，模型的回撤来自于市场噪音（无序波动），优秀的模型不是没有回撤，而是缩短回撤时间和空间，为下一次有效波动储备弹药。

行业内对于各国股票市场alpha的定价研究众多，但对于商品期货市场，相对少一些。但是相对于股票市场不确定性较高的alpha收益，商品期货市场的beta收益来的更直接、更真实，它更强调模型开发者的能力，适合较小团队作战。所以期货CTA模型是一条还不算拥挤，巨头并不太多的赛道，我们每个人都要寻找适合自己的生存区间。我的这一简单体会，也产生了本文的标题：伪alpha与真beta。

4、alpha与beta投资不变的主题——低回撤与高收益

虽然股票alpha模型和商品期货时间序列为主的模型有众多不同，但是两者有高度相似的业绩要求，就是低回撤、高收益。这一看似矛盾的两个主体如果再叠加大容量，就是量化投资中的“不可能三角”（类似经济学的不可能三角或者称之为三元悖论），还好我们的参与者并没有每人都拿出上亿资金去挤压模型的收益率，所以暂时我们对市场没有那么大冲击，不断追求低回撤，高收益，依靠每一个聪明的大脑，是完全可行的。

我们普遍认为1952年马科维兹奠定了现代投资组合理论的基础。他认为绝大多数成功的稳健投资者并非仅仅持有一种资产，他们大多建立了资产组合。这表明投资者在追求收益最大化的同时，资产组合追求着风险的最小化。

书本中看到的优化投资组合在以波动率为横坐标，收益率为纵坐标的二维平面中描绘出来，形成一条曲线，相对应的还有最小方差点和有效边界。这种方式通过均值方差分析方法，定期优化各类资产权重，获得高收益与低回撤，也就是高夏普的目标。之前我在公众号《量化投资训练营》中分2次介绍了“风险平价”（Risk Parity）组合管理方法，也都是类似思路。

商品期货中，情况有所不同，甚至简化。我们在单品种趋势交易类模型上（我们常说的一个模型对应一个品种算是一个交易单元），大量采用波动率倒数的头寸管理方法，因为波动率常均值回复，所以本次已实现的高波动率区间，对应着下一个低波动率区间，要做防守，反之要加仓做进攻。

在品种选择上，当我们缺乏一个中长期波动率预测模型时，倾向于广撒网。当我们能够一定程度上预测波动率时，自然会配置高波动品种。但是情况也并非这么简单，如果你有兴趣研究上行和下行波动率出现之后的价格走势或者波动率走势，可能会得到更多答案。

在周期选择上，率先出现的一定是大周期级别波动率，大周期走完之后，残余的不屈服的投资者，会带着他们固执的观点（分歧），继续制造中小级别波动率。所以如果资金充裕，要多品种多周期配置模型，也能分散每次交易的冲击成本，如果资金有限，必然要做品种和周期的择时。

有了每个交易单元的资金管理，再叠加多品种分散和周期控制，商品期货时间序列策略的低回撤之路就会越来越平坦，当然了，这条路在学习之初永远显得那么曲折。

今天的主要分享内容就暂时到这里。

我和代丹斌老师为中国版“CTA海龟交易计划”坚持了2年，因为最初几乎没有授课费用，连酒店车票钱都无法覆盖，所以自然地，我们从始至终以广交朋友为出发点（如罗老师所说，交个朋友），我们也不想浪费自己的时间，尽全力讲有用的东西，讲正确的投资理念，讲有统计依据的模型开发经验，希望每个人都有所收获。

上周听到七禾的工作人员说项目参与者获得了总计1500万元的利润时，第一反应是不敢相信，因为大家的资金体量平均在30~50万元左右，然后再想到全体成员对该项目的重视，对模型的保护和不懈迭代，以及七禾网对于参与者的严格筛选，最后这个组织得以发展壮大，我们瞬间感觉自己的坚持是值得的。

2020年初疫情发生后，项目改为线上交流，每次从早到晚大致安排6~8节课程，课程中涉及的10多个模型源码，相信各位参与者应该已经高度迭代演化成为自己的模型。加上这两年的市场并不算难做，坚持多品种多模型的交易方式，最终收获真正的beta择时收益不是非常困难的事。希望疫情早日过去，我们再次相聚上海、杭州或北京，就像第一次项目启动时一样，我们储备更多有价值的内容，一起分享，一起探讨商品期货市场的持续盈利之路。

“中国版CTA海龟计划”，等你加入！第十一期时间：2021年2月27日（周六），上午9:00~11:30，下午14:00~17:30
    相关链接：精品量化免费培训，送十多套精品模型