简介《量化CTA策略理念、框架与实战》是一份面向量化投研人员、期货策略学习者及资产配置从业者的专题PDF围绕管理期货策略的概念、研究框架与落地实践展开帮助读者建立从策略识别到组合配置的系统认知。文件包仅含1个PDF大小约1.58MB篇幅精炼便于集中阅读与归档查阅。内容由浅入深梳理CTA策略概况、收益来源、趋势跟踪/统计套利/高频交易等类型并对比主观CTA与量化CTA在信息优势、数据解构和仓位管理上的差异同时讨论交易频率、研究体系、风控体系及适应环境。内容还提示模型失效风险强调严谨研究与风控对策略生存能力的重要性。已有778人学习适合用作CTA策略入门框架梳理、多策略组合参考资料。1. 从一份策略材料切入量化CTA策略要解决的不是选品种而是搭体系做量化方向的毕设或者给团队交一份策略方案最容易走偏的一步是把量化CTA策略写成“双均线金叉死叉加一条漂亮净值曲线”。真到答辩现场被问一句“这套东西放进组合里解决什么问题”往往就卡住了。CTA 的价值从来不在单品种择时而在于它和股票类策略的低相关性以及趋势跟踪在极端行情里那份被称作“危机阿尔法”的收益能力。这份材料把理念、框架、实战三层拆开先立住 CTA 在资产配置里的位置再拆主观与量化、时序与截面、规则与预测的分工最后落到研究体系和风控体系这两条关键能力。它适合要交量化方向毕设的学生也适合需要交付一份完整 CTA 框架方案的从业者。2. 策略全景与选型标的、类型、频率三把尺子先量清楚一套 CTA 方案能不能立住先看选型有没有道理。选型不是“我觉得动量好用就用动量”而是被三件事同时约束能交易什么、用什么逻辑赚钱、多久换一次手。这三件事定下来后面的数据层、因子层、组合层才有讨论的基础。2.1 交易标的与流动性约束决定了策略宽度国内可交易的 CTA 标的集中在场内衍生品股指期货、国债期货、商品期货以及部分流动性较好的场内期权。商品期货覆盖面最广农产品、金属、能源化工加起来几十个品种交易活跃部分品种的成交量在全球都排得上号股指和国债期货受政策与保证金规则影响流动性会阶段性收紧但近几年在逐步恢复。这个结构直接决定了策略类型的天花板。截面类策略需要“一批可比的标的”做排序商品期货的品种数量够用金融期货就那么几个做截面几乎没有统计意义。而样本稀缺恰恰是 CTA 相对股票量化的根本劣势股票池几千只商品池几十个同样长度的历史有效样本量差两个数量级过拟合的风险也就高一个量级。所以我在做方案时通常会把“品种池宽度”写在第一章而不是等到回测跑挂了才回头怀疑因子。期权这一块要单独说明。场内期权流动性集中在少数几个品种上除非方案明确要做波动率交易否则不建议在毕设阶段把期权写进主策略写进“扩展方向”更稳妥。2.2 四条主线时序、截面、统计套利、高频各自吃什么饭材料把量化 CTA 分成四类这个划分在答辩时非常好用因为它同时回答了“你怎么赚钱”和“你为什么会亏”。策略类型信号来源收益分布形态容量主要风险时序趋势跟踪单品种价格序列自相关右偏低胜率高盈亏比大震荡市连续小亏趋势戛然而止截面多因子品种间相对强弱排序介于两者之间中尾部风险价差结构突变统计套利相关品种价差回归左偏高胜率低盈亏比中偏小价差突破历史区间不回归高频交易盘口与短期微观结构高频小赢尾部集中亏小手续费与保证金规则变化时序趋势跟踪是最经典、用得最广的一类前提是标的在时间序列上存在自相关。它本质上不是一个预测模型而更接近“长期做多波动率”行情走出趋势就赚横盘震荡就慢慢磨损。它的容量只受标的流动性和交易成本约束生命力来自背后的行为金融学逻辑价格对信息的反应不足、羊群效应带来的过度反应都是这条逻辑的支撑。规则模型和预测模型的区别要讲透。规则模型双均线、通道突破、布林带只能告诉你方向不给幅度仓位管理得另外叠加模型或者靠人而且规则由人定义人的认知有限规则数量就有限整体上欠拟合单个策略上又靠参数硬调容易过拟合。预测模型机器学习那一套能同时给出方向和预期幅度信号换手更高震荡行情里也能从小级别波动里抠收益代价是构建复杂、样本要求高。截面多因子更接近股票多因子的做法用动量、偏度、期限结构、仓单之类的因子把品种池排序做多强、做空弱追求相对强弱而非绝对方向。它比时序策略更有统一的研究范式但只能做到市值中性缺少成熟的风险模型做风格中性尾部风险反而可能比单边暴露更大。统计套利做的是相关品种的价差回归期现、跨期、跨品种、跨市场四类。期现套利需要产业信息和交割知识一般不划进纯量化范畴跨市场套利对时延和数据同步要求高跨期与跨品种套利有两种做法一种把调整后的价差曲线当成新标的做时序预测一种直接上截面多因子。价差曲线做时序预测这条路线灵活但难度更高毕设里如果没有把握建议先做截面那一条。高频交易这块公开信息极少做市、套利、短期预测都有对交易系统和软硬件结合能力要求高容量有限。方案里提到它就行不要硬做。2.3 交易频率决定容量也决定收益属性频率这条轴经常被忽略但它决定了这套策略最终是“进攻型”还是“配置型”。超高频基本是自营和做市商的战场不对外募资日内策略容量有限通常混在混合策略里增强收益中高频持仓周期一到三天是国内头部团队的主战场再往下拉长持仓周期收益属性会从绝对收益向配置属性迁移在整个组合里提供大容量、低相关的净值曲线。做毕设或者做方案我一般建议把主策略定位在中低频持仓数天到数周。理由是数据可得性够、交易成本可控、回测与实盘的偏差不至于大到无法解释答辩时也更容易讲清楚每一个信号的来源。2.4 收益来源拆解alpha 和 beta 在 CTA 里怎么界定股票指增里的 alpha、beta 大家都很熟但 CTA 的敞口在时序上并不稳定杠杆倍数也随行情变化硬套那套定义会很别扭。比较务实的定性拆法是趋势跟踪赚的是“做多波动率”的钱接近 beta模型预测赚的是错误定价的钱是纯 alpha而在趋势确认后主动放大敞口获得的那部分收益介于两者之间做得好可以归为 alpha。这个拆法在写方案的时候很有价值因为它解释了 CTA 产品之间为什么相关性低不同管理人在敞口控制、杠杆倍数、品种分配、子策略配比上的差异会直接体现在收益曲线形态上而不是像指增那样被同一套因子库拉到一起。对配置方来说这意味着可以通过多个 CTA 管理人平滑收益对做策略的人来说这意味着策略生命周期可能比股票量化更长但也意味着没有一套放之四海皆准的范式需要自己写清楚方法论。3. 数据与因子层把行情洗干净再把逻辑写成可检验的因子因子层是整份方案里最容易糊弄、也最容易被追问的部分。答辩时评委只要问一句“你的主连合约怎么拼的”就能判断这套回测是不是真的跑过。这一章按数据、因子、检验三步走。3.1 合约拼接与数据清洗连续合约是第一个容易被忽略的关键点商品期货有换月单个合约的生命周期只有几个月直接拿单个合约做长周期回测根本没数据。行业通行做法是构造主力连续合约按持仓量或成交量选主力换月时做价格调整。关键在调整方式比例复权乘除和后复权加减会产生不同的收益率序列做趋势跟踪建议用价差后复权保证换月当天不产生虚假跳空。# 主力连续合约构造按持仓量选主力换月日用价差后复权消除跳空 import pandas as pd def build_continuous(contracts, roll_fieldoi): contracts: {合约代码: DataFrame[date, close, oi, volume]} roll_field: 选主力的依据默认持仓量 返回: 后复权连续合约close_adj 可直接用于收益率计算 panel pd.concat( [df.assign(codecode) for code, df in contracts.items()], ignore_indexTrue, ) # 1) 每个交易日按持仓量降序取第一名作为当日主力 panel panel.sort_values([date, roll_field], ascending[True, False]) main panel.drop_duplicates(date, keepfirst).set_index(date).sort_index() # 2) 换月当天记录新旧主力收盘价差作为后续累加的调整项 main[prev_code] main[code].shift(1) main[adj] 0.0 for i in range(1, len(main)): if main[code].iloc[i] ! main[prev_code].iloc[i]: old_close main[close].iloc[i - 1] # 旧主力最后一天收盘 new_close main[close].iloc[i] # 新主力第一天收盘 main.iloc[i, main.columns.get_loc(adj)] old_close - new_close # 3) 调整项累加得到不产生换月跳空的连续价格 main[adj_cum] main[adj].cumsum() main[close_adj] main[close] main[adj_cum] return main[[code, close, close_adj, volume, roll_field]]这段代码有三个参数层面的细节值得在方案里写清楚。roll_field选持仓量还是成交量会影响主力切换的时点持仓量更平滑成交量更贴近实际交易活跃度我一般用持仓量选主力、用成交量做流动性过滤。价差复权的适用边界要说明close_adj只能用来算收益率和做信号不能拿它去算跨期价差或者期现价差那些必须用原始合约价格。第三点是换月当天的处理如果新旧主力在换月日流动性都还行直接用新主力价格即可如果新主力刚上市流动性差需要设置一个“持仓量连续 N 日超过旧主力”的切换条件避免主连在流动性较差的合约上停留。数据清洗还包括几件常规但必须做的事涨跌停日的成交假设涨停买不进、跌停卖不出回测要按无法成交处理、缺失值用前值填充还是直接剔除、节假日与夜盘的时间对齐。夜盘归属哪个交易日不同数据源的口径不一样这个如果不统一日内策略的回测结果会完全失真。3.2 四类核心因子的构造口径因子这块材料里能直接用的有四类时序动量、截面动量、期限结构、仓单。前两个赚的是价格惯性后两个赚的是库存与供需结构。时序动量是个股层面上的时间序列自相关计算口径是过去 N 日累计收益通常跳过最近一日避免短期反转污染信号。截面动量是把同一时点所有品种的过去收益排序做多前列、做空后列。期限结构看的是近远月升贴水远月高于近月是正向结构contango说明当前库存充足近月高于远月是反向结构backwardation说明现货紧张。有研究提出库存水平会直接影响期限结构形态所以这条因子的经济含义是清晰的——做多贴水品种、做空升水品种。仓单因子逻辑类似仓单大量生成说明卖方交割意愿强、现货相对充裕仓单注销说明现货紧张所以做多仓单减少的品种、做空仓单增加的品种。# 截面因子构造动量、期限结构、仓单变化统一做横截面百分位 import pandas as pd def cs_factor(panel, windows(20, 60, 120)): panel: MultiIndex(date, code)需含 close_adj, near_price/far_price、near_expire/far_expire、warehouse_receipt 返回: 每日横截面因子值已去中心化到 [-0.5, 0.5] out {} for w in windows: # 时序动量跳过最近 1 日避免短期反转污染 out[fmom_{w}] panel.groupby(levelcode)[close_adj].apply( lambda s: s.shift(1) / s.shift(1 w) - 1 ) # 期限结构近远月价差年化正值代表现货偏紧 days (panel[far_expire] - panel[near_expire]).dt.days out[carry] (panel[near_price] - panel[far_price]) \ / panel[far_price] * 365 / days # 仓单变化取 5 日变化率并反号仓单减少 - 多头信号 out[wr_chg] -panel.groupby(levelcode)[warehouse_receipt].pct_change(5) fac pd.DataFrame(out) # 横截面百分位排名消除不同品种的量纲与波动差异 return fac.groupby(leveldate).rank(pctTrue) - 0.5参数意义上windows用 20/60/120 三档覆盖短中长三个周期做多周期合成比单周期稳健但要注意合权重本身也是参数别在样本内调到最优。carry里除以天数做年化是为了让不同剩余期限的合约之间可比。wr_chg取变化率而不是绝对量是因为不同品种的仓单基数差好几个数量级绝对量无法横向比较。最后一步rank(pctTrue) - 0.5是整个因子层的核心动作所有因子统一转成横截面分位既消除了量纲又天然对极端值不敏感。这一步做不好后面组合构建时不同因子根本没法加权。3.3 因子检验与失效判定显著性存疑是常态股票多因子里 IC、分层回测那一套可以照搬过来但结论要谨慎解读。商品品种池只有几十个横截面回归的有效样本量很小算出来的 IC 置信区间很宽一个 IC 0.05 的因子在股票里可能显著在这里可能只是噪声。所以我在方案里通常会把检验分成三档单因子 IC 与 ICIR、分层净值单调性、扣费后的换手敏感性。比“因子有没有效”更重要的是“它什么时候失效”。可落地的判定做法有三条一是滚动窗口 IC 监控比如过去 60 个交易日的 IC 均值跌破历史分位 20% 就标记为观察二是拥挤度同类型策略的管理规模、同类因子的相关性突然抬升说明大家都在做同一件事三是参数敏感性把窗口参数上下浮动 30%如果绩效直接腰斩说明这个因子是在拟合参数而不是在捕捉规律。4. 从信号到仓位组合构建与前中后三层风控因子有值不等于能下单。信号到仓位之间隔着三件事信号标准化、波动率目标、组合层权重分配。再往上还有一层风控把整个策略框住。这一章是整份方案里最能体现工程能力的地方也是答辩时区分“跑过回测”和“想过实盘”的分水岭。4.1 信号标准化与仓位映射信号本身的量纲是没有意义的动量因子的值是收益率期限结构因子的值是年化升贴水仓单因子是变化率必须统一到同一个尺度上才能合成。做法是横截面 z-score 或者百分位去中心这一步在因子层已经做了。真正决定仓位的是波动率目标。核心思想很简单让每个品种贡献的风险而不是资金相等再把整个组合的波动率控制在一个目标水平上。举例来说如果组合目标年化波动 10%某品种年化波动 30%那么该品种每单位信号对应的仓位应该是三分之一。这样做的效果是在高波动行情里自动降杠杆在低波动行情里适度加杠杆避免波动率放大时组合净值剧烈跳动。# 波动率目标仓位先按品种波动归一再把组合整体缩放到目标波动 import numpy as np def vol_target_weights(signal, sigma, target_vol0.10, max_lev2.0): signal: 方向信号取值 -1~1截面策略可用多空分位差替代 sigma: 各品种年化波动率估计建议 EWMA半衰期 20~60 日 target_vol: 组合目标年化波动率 max_lev: 总杠杆上限防止低波动期仓位无限放大 # 单品种风险预算归一波动越大给的仓位越小 raw signal / sigma # 组合波动近似忽略品种间相关性属于保守估计的简化 port_vol np.sqrt(((raw * sigma) ** 2).sum()) # 整体缩放组合波动超目标就降杠杆但不允许超过 max_lev scale min(target_vol / port_vol, max_lev) return raw * scale这段代码里有两个必须写在方案里的说明。一是相关性被忽略了port_vol实际上高估了组合波动因为商品之间相关性通常为正但小于 1所以算出来的 scale 会偏小结果是实际波动低于目标属于保守偏差可以接受但要在文档里承认。二是sigma的估计方式直接影响策略表现用简单历史波动率会在波动率跳升时反应太慢用 EWMA 反应快但容易在异常日被单点冲击带偏我一般用 EWMA 加一个下限保护比如不低于过去一年波动率的 50%避免低波动期仓位被放大到不合理的水平。4.2 组合层配置等风险贡献比等权更靠谱多品种、多子策略组合起来怎么分配权重是个绕不开的问题。直接用等权效果是波动大的品种主导了组合风险用均值方差最优化效果是权重对预期收益的估计极度敏感稍微改个参数权重就跳变实盘根本没法执行。折中的做法是等风险贡献ERC让每个品种对组合总风险的贡献相等只依赖协方差矩阵不需要预测收益。# 等风险贡献权重迭代求解避免直接对协方差求逆带来的数值不稳定 import numpy as np def erc_weights(cov, iters500, tol1e-6): cov: n x n 协方差矩阵建议用 60 日 EWMA 估计 返回: 权重向量和为 1各品种风险贡献近似相等 n cov.shape[0] w np.ones(n) / n for _ in range(iters): mrc cov w # 边际风险贡献 rc w * mrc # 各品种风险贡献 target rc.mean() # 目标风险贡献均值 # 按偏离程度调整权重指数 0.5 用于平滑收敛 w w * (target / np.maximum(rc, 1e-12)) ** 0.5 w w / w.sum() if np.abs(rc - target).max() tol: break return w协方差矩阵的估计窗口是个需要验证的参数。窗口太短权重会跟着短期相关性剧烈摆动换手高窗口太长反应迟钝在相关性结构突变时来不及调整。60 个交易日是个常用的起点但商品市场里不同板块黑色、能化、农产品之间的相关性结构差异很大建议按板块先分组做 ERC再在板块之间做一次 ERC两层结构比一次性对几十个品种求解更稳定。4.3 三层风控品种、策略、组合各管一段风控体系决定策略的市场生存能力这句话在材料里分量很重。落到可执行层面我一般拆成三层每层有明确的指标和触发动作写进方案里比写一句“严格控制风险”有用得多。层级监控指标参考阈值触发动作品种层单品种保证金占用、成交量占比单品种不超过总保证金 20%下单量不超过当日成交量 1%超限则按比例缩减该品种仓位策略层子策略滚动回撤、因子 IC 衰减回撤超过历史 95 分位或 IC 连续 20 日低于阈值降权至 50%进入观察期组合层组合波动率、板块集中度、相关性波动率超过目标 1.5 倍单板块风险贡献超 40%整体降杠杆强制分散品种层的核心是流动性不是价格。很多方案只盯保证金比例忽略了下单量占成交量的比例结果回测里几百万的仓位在实盘里直接冲击价格滑点很难控制。策略层的核心是“什么时候承认自己错了”这需要提前定义不能等亏了再讨论。组合层的核心是相关性共振——平时各策略相关性低极端行情里会一起亏这是 CTA 组合最典型的死法。4.4 研究体系让策略能进化而不只是能跑材料里把研究体系和技术体系并列为两大难点这点我认同。一个能持续的研究体系至少要回答三个问题覆盖够不够全、储备够不够多、失效判定够不够快。覆盖全指的是品种上覆盖股指、国债、商品策略类型上覆盖中长期趋势、时序套利、截面套利不能只有一条腿。储备多指的是单一策略类型下要有足够数量的因子或子策略并且能说清楚它们的分类逻辑和相关性。失效快指的是有一套固定流程去判定某个因子是不是不行了而不是靠“最近亏了所以停掉”这种事后判断。5. 避坑与排查回测到实盘之间最容易失败的五件事这一章是我踩过坑之后最想写给别人的部分。以下五条按照在方案评审里被问到的频率排序。第一件主连合约拼出来的平滑曲线实盘复现不了。现象是回测净值曲线出奇地平顺回撤小、夏普高一上模拟盘就差一大截。原因多半在换月处理用比例复权拼接换月当天会产生一个虚假的价格跳变趋势策略会把它当成一次真实趋势去追白赚一段不存在的收益。解决办法是换用价差后复权并且在回测报告里明确写出复权方式如果新旧主力切换日流动性不足还要加上持仓量连续 N 日占优才切换的条件。第二件忽略换手成本高频信号被手续费和滑点抵消。现象是信号本身 IC 不错扣费之后净值直接走平甚至向下。原因是很多方案在因子检验阶段只看毛收益把换手率当成一个附加指标而不是约束条件。预测类模型尤其容易出这个问题因为它的信号换手天然比规则模型高。解决办法是在因子检验阶段就把双边手续费和滑点写进回测滑点按品种流动性分档设置然后看“扣费后收益 / 换手率”这个比值低于阈值的高换手因子直接放弃。第三件规则模型参数调到最优样本外完全失效。现象是在样本内把均线周期、布林带倍数调到某个组合绩效突然变好样本外表现一塌糊涂。原因是规则模型只有方向没有幅度参数是唯一能调的东西调参空间被过度使用。解决办法是参数敏感性测试——把参数在合理区间内扫描看绩效曲面是平缓的还是尖峰状的尖峰说明在拟合噪声同时用滚动窗口做样本外验证训练窗和测试窗严格分离。第四件截面策略只做市值中性尾部风险比单边还大。现象是截面多空组合平时波动很小某段时间突然出现远超预期的回撤。原因是商品截面策略只能做到多空金额中性没有成熟的风险模型去做板块、风格中性一旦某个板块的所有品种同向异动多空两端会同时受损统计套利的价差一旦突破历史区间不回归亏损是加速的。解决办法是把板块中性作为硬约束加进组合构建同时给每组价差设置最大偏离止损不要抱“总会回归”的期待。第五件风控只管单品种不管组合层的相关性共振。现象是每个子策略单独看都在风控线内合起来却在某一天集体回撤。原因是风控指标是按品种或按策略孤立计算的没有组合层的相关性监控。CTA 组合在极端行情里最典型的特征就是“平时低相关危时高相关”。解决办法是在组合层加一个相关性监控和压力测试把历史上几次极端行情拿出来做情景回放看组合在那种环境下会亏多少再倒推杠杆上限。还有一条容易被忽略但很关键的非交易因素导致的趋势突然中断对量化 CTA 极不友好。政策层面的集中发声在历史数据里往往没有先例模型学不到这种模式甚至可能因为前期价格持续上涨而加仓。方案里要么明确写出这类事件的应对规则比如触发人工复核要么老实承认这是量化的能力边界不要装作能覆盖一切。当波动掩盖了趋势对 CTA 来说往往风险大于机会。6. 验收与答辩用四张表证明这套框架站得住答辩和方案评审本质上不是看你赚了多少而是看你有没有能力解释自己为什么赚、为什么亏、什么时候会亏。我一般会准备四张表按顺序讲。验收维度看什么指标参考合格线怎么讲数据与因子主连构造方式、因子 IC 与 ICIR、分层单调性ICIR 大于 0.3分层净值基本单调先讲构造口径再讲检验方法主动说出样本量小的局限回测质量扣费后年化、最大回撤、Calmar、换手率扣费后仍为正回撤与目标波动匹配重点讲成本和滑点假设别只报收益组合与风控波动率达标度、板块集中度、压力测试结果实际波动落在目标 ±30% 内讲清楚三层的触发动作而不是只说“有风控”稳健性参数敏感性曲面、样本外表现、子策略相关性曲面平缓样本外衰减可控主动暴露一个失败的子策略说明怎么判定它失效讲的时候有个技巧把“我知道这套东西会在什么情况下不行”放在前面说。评委最容易追问的是极端行情和样本外如果你自己先把边界划出来后面的提问会温和很多。另一个具体做法是把回测报告做成可以复现的脚本现场如果有人问某个参数直接改一行重跑。这比任何口头解释都有说服力。最后一条经验是第一人称写的早些年我做第一版 CTA 方案把大部分时间花在调因子和画净值曲线上风控那一页 PPT 只有三行字结果评审时被连续追问“趋势突然中断怎么办”“多个策略同时回撤怎么办”答得七零八落方案当场被打回。从那以后我每次做策略方案都强制自己先写风控和失效判定再回头写因子顺序反过来之后方案本身的漏洞会少很多。希望帮到你。本文还有配套的精品资源点击获取
简介《量化CTA策略理念、框架与实战》是一份面向量化投研人员、期货策略学习者及资产配置从业者的专题PDF围绕管理期货策略的概念、研究框架与落地实践展开帮助读者建立从策略识别到组合配置的系统认知。文件包仅含1个PDF大小约1.58MB篇幅精炼便于集中阅读与归档查阅。内容由浅入深梳理CTA策略概况、收益来源、趋势跟踪/统计套利/高频交易等类型并对比主观CTA与量化CTA在信息优势、数据解构和仓位管理上的差异同时讨论交易频率、研究体系、风控体系及适应环境。内容还提示模型失效风险强调严谨研究与风控对策略生存能力的重要性。已有778人学习适合用作CTA策略入门框架梳理、多策略组合参考资料。1. 从一份策略材料切入量化CTA策略要解决的不是选品种而是搭体系做量化方向的毕设或者给团队交一份策略方案最容易走偏的一步是把量化CTA策略写成“双均线金叉死叉加一条漂亮净值曲线”。真到答辩现场被问一句“这套东西放进组合里解决什么问题”往往就卡住了。CTA 的价值从来不在单品种择时而在于它和股票类策略的低相关性以及趋势跟踪在极端行情里那份被称作“危机阿尔法”的收益能力。这份材料把理念、框架、实战三层拆开先立住 CTA 在资产配置里的位置再拆主观与量化、时序与截面、规则与预测的分工最后落到研究体系和风控体系这两条关键能力。它适合要交量化方向毕设的学生也适合需要交付一份完整 CTA 框架方案的从业者。2. 策略全景与选型标的、类型、频率三把尺子先量清楚一套 CTA 方案能不能立住先看选型有没有道理。选型不是“我觉得动量好用就用动量”而是被三件事同时约束能交易什么、用什么逻辑赚钱、多久换一次手。这三件事定下来后面的数据层、因子层、组合层才有讨论的基础。2.1 交易标的与流动性约束决定了策略宽度国内可交易的 CTA 标的集中在场内衍生品股指期货、国债期货、商品期货以及部分流动性较好的场内期权。商品期货覆盖面最广农产品、金属、能源化工加起来几十个品种交易活跃部分品种的成交量在全球都排得上号股指和国债期货受政策与保证金规则影响流动性会阶段性收紧但近几年在逐步恢复。这个结构直接决定了策略类型的天花板。截面类策略需要“一批可比的标的”做排序商品期货的品种数量够用金融期货就那么几个做截面几乎没有统计意义。而样本稀缺恰恰是 CTA 相对股票量化的根本劣势股票池几千只商品池几十个同样长度的历史有效样本量差两个数量级过拟合的风险也就高一个量级。所以我在做方案时通常会把“品种池宽度”写在第一章而不是等到回测跑挂了才回头怀疑因子。期权这一块要单独说明。场内期权流动性集中在少数几个品种上除非方案明确要做波动率交易否则不建议在毕设阶段把期权写进主策略写进“扩展方向”更稳妥。2.2 四条主线时序、截面、统计套利、高频各自吃什么饭材料把量化 CTA 分成四类这个划分在答辩时非常好用因为它同时回答了“你怎么赚钱”和“你为什么会亏”。策略类型信号来源收益分布形态容量主要风险时序趋势跟踪单品种价格序列自相关右偏低胜率高盈亏比大震荡市连续小亏趋势戛然而止截面多因子品种间相对强弱排序介于两者之间中尾部风险价差结构突变统计套利相关品种价差回归左偏高胜率低盈亏比中偏小价差突破历史区间不回归高频交易盘口与短期微观结构高频小赢尾部集中亏小手续费与保证金规则变化时序趋势跟踪是最经典、用得最广的一类前提是标的在时间序列上存在自相关。它本质上不是一个预测模型而更接近“长期做多波动率”行情走出趋势就赚横盘震荡就慢慢磨损。它的容量只受标的流动性和交易成本约束生命力来自背后的行为金融学逻辑价格对信息的反应不足、羊群效应带来的过度反应都是这条逻辑的支撑。规则模型和预测模型的区别要讲透。规则模型双均线、通道突破、布林带只能告诉你方向不给幅度仓位管理得另外叠加模型或者靠人而且规则由人定义人的认知有限规则数量就有限整体上欠拟合单个策略上又靠参数硬调容易过拟合。预测模型机器学习那一套能同时给出方向和预期幅度信号换手更高震荡行情里也能从小级别波动里抠收益代价是构建复杂、样本要求高。截面多因子更接近股票多因子的做法用动量、偏度、期限结构、仓单之类的因子把品种池排序做多强、做空弱追求相对强弱而非绝对方向。它比时序策略更有统一的研究范式但只能做到市值中性缺少成熟的风险模型做风格中性尾部风险反而可能比单边暴露更大。统计套利做的是相关品种的价差回归期现、跨期、跨品种、跨市场四类。期现套利需要产业信息和交割知识一般不划进纯量化范畴跨市场套利对时延和数据同步要求高跨期与跨品种套利有两种做法一种把调整后的价差曲线当成新标的做时序预测一种直接上截面多因子。价差曲线做时序预测这条路线灵活但难度更高毕设里如果没有把握建议先做截面那一条。高频交易这块公开信息极少做市、套利、短期预测都有对交易系统和软硬件结合能力要求高容量有限。方案里提到它就行不要硬做。2.3 交易频率决定容量也决定收益属性频率这条轴经常被忽略但它决定了这套策略最终是“进攻型”还是“配置型”。超高频基本是自营和做市商的战场不对外募资日内策略容量有限通常混在混合策略里增强收益中高频持仓周期一到三天是国内头部团队的主战场再往下拉长持仓周期收益属性会从绝对收益向配置属性迁移在整个组合里提供大容量、低相关的净值曲线。做毕设或者做方案我一般建议把主策略定位在中低频持仓数天到数周。理由是数据可得性够、交易成本可控、回测与实盘的偏差不至于大到无法解释答辩时也更容易讲清楚每一个信号的来源。2.4 收益来源拆解alpha 和 beta 在 CTA 里怎么界定股票指增里的 alpha、beta 大家都很熟但 CTA 的敞口在时序上并不稳定杠杆倍数也随行情变化硬套那套定义会很别扭。比较务实的定性拆法是趋势跟踪赚的是“做多波动率”的钱接近 beta模型预测赚的是错误定价的钱是纯 alpha而在趋势确认后主动放大敞口获得的那部分收益介于两者之间做得好可以归为 alpha。这个拆法在写方案的时候很有价值因为它解释了 CTA 产品之间为什么相关性低不同管理人在敞口控制、杠杆倍数、品种分配、子策略配比上的差异会直接体现在收益曲线形态上而不是像指增那样被同一套因子库拉到一起。对配置方来说这意味着可以通过多个 CTA 管理人平滑收益对做策略的人来说这意味着策略生命周期可能比股票量化更长但也意味着没有一套放之四海皆准的范式需要自己写清楚方法论。3. 数据与因子层把行情洗干净再把逻辑写成可检验的因子因子层是整份方案里最容易糊弄、也最容易被追问的部分。答辩时评委只要问一句“你的主连合约怎么拼的”就能判断这套回测是不是真的跑过。这一章按数据、因子、检验三步走。3.1 合约拼接与数据清洗连续合约是第一个容易被忽略的关键点商品期货有换月单个合约的生命周期只有几个月直接拿单个合约做长周期回测根本没数据。行业通行做法是构造主力连续合约按持仓量或成交量选主力换月时做价格调整。关键在调整方式比例复权乘除和后复权加减会产生不同的收益率序列做趋势跟踪建议用价差后复权保证换月当天不产生虚假跳空。# 主力连续合约构造按持仓量选主力换月日用价差后复权消除跳空 import pandas as pd def build_continuous(contracts, roll_fieldoi): contracts: {合约代码: DataFrame[date, close, oi, volume]} roll_field: 选主力的依据默认持仓量 返回: 后复权连续合约close_adj 可直接用于收益率计算 panel pd.concat( [df.assign(codecode) for code, df in contracts.items()], ignore_indexTrue, ) # 1) 每个交易日按持仓量降序取第一名作为当日主力 panel panel.sort_values([date, roll_field], ascending[True, False]) main panel.drop_duplicates(date, keepfirst).set_index(date).sort_index() # 2) 换月当天记录新旧主力收盘价差作为后续累加的调整项 main[prev_code] main[code].shift(1) main[adj] 0.0 for i in range(1, len(main)): if main[code].iloc[i] ! main[prev_code].iloc[i]: old_close main[close].iloc[i - 1] # 旧主力最后一天收盘 new_close main[close].iloc[i] # 新主力第一天收盘 main.iloc[i, main.columns.get_loc(adj)] old_close - new_close # 3) 调整项累加得到不产生换月跳空的连续价格 main[adj_cum] main[adj].cumsum() main[close_adj] main[close] main[adj_cum] return main[[code, close, close_adj, volume, roll_field]]这段代码有三个参数层面的细节值得在方案里写清楚。roll_field选持仓量还是成交量会影响主力切换的时点持仓量更平滑成交量更贴近实际交易活跃度我一般用持仓量选主力、用成交量做流动性过滤。价差复权的适用边界要说明close_adj只能用来算收益率和做信号不能拿它去算跨期价差或者期现价差那些必须用原始合约价格。第三点是换月当天的处理如果新旧主力在换月日流动性都还行直接用新主力价格即可如果新主力刚上市流动性差需要设置一个“持仓量连续 N 日超过旧主力”的切换条件避免主连在流动性较差的合约上停留。数据清洗还包括几件常规但必须做的事涨跌停日的成交假设涨停买不进、跌停卖不出回测要按无法成交处理、缺失值用前值填充还是直接剔除、节假日与夜盘的时间对齐。夜盘归属哪个交易日不同数据源的口径不一样这个如果不统一日内策略的回测结果会完全失真。3.2 四类核心因子的构造口径因子这块材料里能直接用的有四类时序动量、截面动量、期限结构、仓单。前两个赚的是价格惯性后两个赚的是库存与供需结构。时序动量是个股层面上的时间序列自相关计算口径是过去 N 日累计收益通常跳过最近一日避免短期反转污染信号。截面动量是把同一时点所有品种的过去收益排序做多前列、做空后列。期限结构看的是近远月升贴水远月高于近月是正向结构contango说明当前库存充足近月高于远月是反向结构backwardation说明现货紧张。有研究提出库存水平会直接影响期限结构形态所以这条因子的经济含义是清晰的——做多贴水品种、做空升水品种。仓单因子逻辑类似仓单大量生成说明卖方交割意愿强、现货相对充裕仓单注销说明现货紧张所以做多仓单减少的品种、做空仓单增加的品种。# 截面因子构造动量、期限结构、仓单变化统一做横截面百分位 import pandas as pd def cs_factor(panel, windows(20, 60, 120)): panel: MultiIndex(date, code)需含 close_adj, near_price/far_price、near_expire/far_expire、warehouse_receipt 返回: 每日横截面因子值已去中心化到 [-0.5, 0.5] out {} for w in windows: # 时序动量跳过最近 1 日避免短期反转污染 out[fmom_{w}] panel.groupby(levelcode)[close_adj].apply( lambda s: s.shift(1) / s.shift(1 w) - 1 ) # 期限结构近远月价差年化正值代表现货偏紧 days (panel[far_expire] - panel[near_expire]).dt.days out[carry] (panel[near_price] - panel[far_price]) \ / panel[far_price] * 365 / days # 仓单变化取 5 日变化率并反号仓单减少 - 多头信号 out[wr_chg] -panel.groupby(levelcode)[warehouse_receipt].pct_change(5) fac pd.DataFrame(out) # 横截面百分位排名消除不同品种的量纲与波动差异 return fac.groupby(leveldate).rank(pctTrue) - 0.5参数意义上windows用 20/60/120 三档覆盖短中长三个周期做多周期合成比单周期稳健但要注意合权重本身也是参数别在样本内调到最优。carry里除以天数做年化是为了让不同剩余期限的合约之间可比。wr_chg取变化率而不是绝对量是因为不同品种的仓单基数差好几个数量级绝对量无法横向比较。最后一步rank(pctTrue) - 0.5是整个因子层的核心动作所有因子统一转成横截面分位既消除了量纲又天然对极端值不敏感。这一步做不好后面组合构建时不同因子根本没法加权。3.3 因子检验与失效判定显著性存疑是常态股票多因子里 IC、分层回测那一套可以照搬过来但结论要谨慎解读。商品品种池只有几十个横截面回归的有效样本量很小算出来的 IC 置信区间很宽一个 IC 0.05 的因子在股票里可能显著在这里可能只是噪声。所以我在方案里通常会把检验分成三档单因子 IC 与 ICIR、分层净值单调性、扣费后的换手敏感性。比“因子有没有效”更重要的是“它什么时候失效”。可落地的判定做法有三条一是滚动窗口 IC 监控比如过去 60 个交易日的 IC 均值跌破历史分位 20% 就标记为观察二是拥挤度同类型策略的管理规模、同类因子的相关性突然抬升说明大家都在做同一件事三是参数敏感性把窗口参数上下浮动 30%如果绩效直接腰斩说明这个因子是在拟合参数而不是在捕捉规律。4. 从信号到仓位组合构建与前中后三层风控因子有值不等于能下单。信号到仓位之间隔着三件事信号标准化、波动率目标、组合层权重分配。再往上还有一层风控把整个策略框住。这一章是整份方案里最能体现工程能力的地方也是答辩时区分“跑过回测”和“想过实盘”的分水岭。4.1 信号标准化与仓位映射信号本身的量纲是没有意义的动量因子的值是收益率期限结构因子的值是年化升贴水仓单因子是变化率必须统一到同一个尺度上才能合成。做法是横截面 z-score 或者百分位去中心这一步在因子层已经做了。真正决定仓位的是波动率目标。核心思想很简单让每个品种贡献的风险而不是资金相等再把整个组合的波动率控制在一个目标水平上。举例来说如果组合目标年化波动 10%某品种年化波动 30%那么该品种每单位信号对应的仓位应该是三分之一。这样做的效果是在高波动行情里自动降杠杆在低波动行情里适度加杠杆避免波动率放大时组合净值剧烈跳动。# 波动率目标仓位先按品种波动归一再把组合整体缩放到目标波动 import numpy as np def vol_target_weights(signal, sigma, target_vol0.10, max_lev2.0): signal: 方向信号取值 -1~1截面策略可用多空分位差替代 sigma: 各品种年化波动率估计建议 EWMA半衰期 20~60 日 target_vol: 组合目标年化波动率 max_lev: 总杠杆上限防止低波动期仓位无限放大 # 单品种风险预算归一波动越大给的仓位越小 raw signal / sigma # 组合波动近似忽略品种间相关性属于保守估计的简化 port_vol np.sqrt(((raw * sigma) ** 2).sum()) # 整体缩放组合波动超目标就降杠杆但不允许超过 max_lev scale min(target_vol / port_vol, max_lev) return raw * scale这段代码里有两个必须写在方案里的说明。一是相关性被忽略了port_vol实际上高估了组合波动因为商品之间相关性通常为正但小于 1所以算出来的 scale 会偏小结果是实际波动低于目标属于保守偏差可以接受但要在文档里承认。二是sigma的估计方式直接影响策略表现用简单历史波动率会在波动率跳升时反应太慢用 EWMA 反应快但容易在异常日被单点冲击带偏我一般用 EWMA 加一个下限保护比如不低于过去一年波动率的 50%避免低波动期仓位被放大到不合理的水平。4.2 组合层配置等风险贡献比等权更靠谱多品种、多子策略组合起来怎么分配权重是个绕不开的问题。直接用等权效果是波动大的品种主导了组合风险用均值方差最优化效果是权重对预期收益的估计极度敏感稍微改个参数权重就跳变实盘根本没法执行。折中的做法是等风险贡献ERC让每个品种对组合总风险的贡献相等只依赖协方差矩阵不需要预测收益。# 等风险贡献权重迭代求解避免直接对协方差求逆带来的数值不稳定 import numpy as np def erc_weights(cov, iters500, tol1e-6): cov: n x n 协方差矩阵建议用 60 日 EWMA 估计 返回: 权重向量和为 1各品种风险贡献近似相等 n cov.shape[0] w np.ones(n) / n for _ in range(iters): mrc cov w # 边际风险贡献 rc w * mrc # 各品种风险贡献 target rc.mean() # 目标风险贡献均值 # 按偏离程度调整权重指数 0.5 用于平滑收敛 w w * (target / np.maximum(rc, 1e-12)) ** 0.5 w w / w.sum() if np.abs(rc - target).max() tol: break return w协方差矩阵的估计窗口是个需要验证的参数。窗口太短权重会跟着短期相关性剧烈摆动换手高窗口太长反应迟钝在相关性结构突变时来不及调整。60 个交易日是个常用的起点但商品市场里不同板块黑色、能化、农产品之间的相关性结构差异很大建议按板块先分组做 ERC再在板块之间做一次 ERC两层结构比一次性对几十个品种求解更稳定。4.3 三层风控品种、策略、组合各管一段风控体系决定策略的市场生存能力这句话在材料里分量很重。落到可执行层面我一般拆成三层每层有明确的指标和触发动作写进方案里比写一句“严格控制风险”有用得多。层级监控指标参考阈值触发动作品种层单品种保证金占用、成交量占比单品种不超过总保证金 20%下单量不超过当日成交量 1%超限则按比例缩减该品种仓位策略层子策略滚动回撤、因子 IC 衰减回撤超过历史 95 分位或 IC 连续 20 日低于阈值降权至 50%进入观察期组合层组合波动率、板块集中度、相关性波动率超过目标 1.5 倍单板块风险贡献超 40%整体降杠杆强制分散品种层的核心是流动性不是价格。很多方案只盯保证金比例忽略了下单量占成交量的比例结果回测里几百万的仓位在实盘里直接冲击价格滑点很难控制。策略层的核心是“什么时候承认自己错了”这需要提前定义不能等亏了再讨论。组合层的核心是相关性共振——平时各策略相关性低极端行情里会一起亏这是 CTA 组合最典型的死法。4.4 研究体系让策略能进化而不只是能跑材料里把研究体系和技术体系并列为两大难点这点我认同。一个能持续的研究体系至少要回答三个问题覆盖够不够全、储备够不够多、失效判定够不够快。覆盖全指的是品种上覆盖股指、国债、商品策略类型上覆盖中长期趋势、时序套利、截面套利不能只有一条腿。储备多指的是单一策略类型下要有足够数量的因子或子策略并且能说清楚它们的分类逻辑和相关性。失效快指的是有一套固定流程去判定某个因子是不是不行了而不是靠“最近亏了所以停掉”这种事后判断。5. 避坑与排查回测到实盘之间最容易失败的五件事这一章是我踩过坑之后最想写给别人的部分。以下五条按照在方案评审里被问到的频率排序。第一件主连合约拼出来的平滑曲线实盘复现不了。现象是回测净值曲线出奇地平顺回撤小、夏普高一上模拟盘就差一大截。原因多半在换月处理用比例复权拼接换月当天会产生一个虚假的价格跳变趋势策略会把它当成一次真实趋势去追白赚一段不存在的收益。解决办法是换用价差后复权并且在回测报告里明确写出复权方式如果新旧主力切换日流动性不足还要加上持仓量连续 N 日占优才切换的条件。第二件忽略换手成本高频信号被手续费和滑点抵消。现象是信号本身 IC 不错扣费之后净值直接走平甚至向下。原因是很多方案在因子检验阶段只看毛收益把换手率当成一个附加指标而不是约束条件。预测类模型尤其容易出这个问题因为它的信号换手天然比规则模型高。解决办法是在因子检验阶段就把双边手续费和滑点写进回测滑点按品种流动性分档设置然后看“扣费后收益 / 换手率”这个比值低于阈值的高换手因子直接放弃。第三件规则模型参数调到最优样本外完全失效。现象是在样本内把均线周期、布林带倍数调到某个组合绩效突然变好样本外表现一塌糊涂。原因是规则模型只有方向没有幅度参数是唯一能调的东西调参空间被过度使用。解决办法是参数敏感性测试——把参数在合理区间内扫描看绩效曲面是平缓的还是尖峰状的尖峰说明在拟合噪声同时用滚动窗口做样本外验证训练窗和测试窗严格分离。第四件截面策略只做市值中性尾部风险比单边还大。现象是截面多空组合平时波动很小某段时间突然出现远超预期的回撤。原因是商品截面策略只能做到多空金额中性没有成熟的风险模型去做板块、风格中性一旦某个板块的所有品种同向异动多空两端会同时受损统计套利的价差一旦突破历史区间不回归亏损是加速的。解决办法是把板块中性作为硬约束加进组合构建同时给每组价差设置最大偏离止损不要抱“总会回归”的期待。第五件风控只管单品种不管组合层的相关性共振。现象是每个子策略单独看都在风控线内合起来却在某一天集体回撤。原因是风控指标是按品种或按策略孤立计算的没有组合层的相关性监控。CTA 组合在极端行情里最典型的特征就是“平时低相关危时高相关”。解决办法是在组合层加一个相关性监控和压力测试把历史上几次极端行情拿出来做情景回放看组合在那种环境下会亏多少再倒推杠杆上限。还有一条容易被忽略但很关键的非交易因素导致的趋势突然中断对量化 CTA 极不友好。政策层面的集中发声在历史数据里往往没有先例模型学不到这种模式甚至可能因为前期价格持续上涨而加仓。方案里要么明确写出这类事件的应对规则比如触发人工复核要么老实承认这是量化的能力边界不要装作能覆盖一切。当波动掩盖了趋势对 CTA 来说往往风险大于机会。6. 验收与答辩用四张表证明这套框架站得住答辩和方案评审本质上不是看你赚了多少而是看你有没有能力解释自己为什么赚、为什么亏、什么时候会亏。我一般会准备四张表按顺序讲。验收维度看什么指标参考合格线怎么讲数据与因子主连构造方式、因子 IC 与 ICIR、分层单调性ICIR 大于 0.3分层净值基本单调先讲构造口径再讲检验方法主动说出样本量小的局限回测质量扣费后年化、最大回撤、Calmar、换手率扣费后仍为正回撤与目标波动匹配重点讲成本和滑点假设别只报收益组合与风控波动率达标度、板块集中度、压力测试结果实际波动落在目标 ±30% 内讲清楚三层的触发动作而不是只说“有风控”稳健性参数敏感性曲面、样本外表现、子策略相关性曲面平缓样本外衰减可控主动暴露一个失败的子策略说明怎么判定它失效讲的时候有个技巧把“我知道这套东西会在什么情况下不行”放在前面说。评委最容易追问的是极端行情和样本外如果你自己先把边界划出来后面的提问会温和很多。另一个具体做法是把回测报告做成可以复现的脚本现场如果有人问某个参数直接改一行重跑。这比任何口头解释都有说服力。最后一条经验是第一人称写的早些年我做第一版 CTA 方案把大部分时间花在调因子和画净值曲线上风控那一页 PPT 只有三行字结果评审时被连续追问“趋势突然中断怎么办”“多个策略同时回撤怎么办”答得七零八落方案当场被打回。从那以后我每次做策略方案都强制自己先写风控和失效判定再回头写因子顺序反过来之后方案本身的漏洞会少很多。希望帮到你。本文还有配套的精品资源点击获取
![【贪心交换排序】题解：P11376 [GESP202412 六级] 运送物资_贪心模型_排序_模拟_C++算法竞赛](http://pic.xiahunao.cn/yaotu/【贪心交换排序】题解：P11376 [GESP202412 六级] 运送物资_贪心模型_排序_模拟_C++算法竞赛)
