2023年金融工程深度报告 趋势策略的逻辑与收益特征

1.前言

在 CTA 投资中，趋势跟踪策略（Trend-Following）是应用最广泛同时最容易理解的投资 策略，所以我们常常听说趋势就是你的朋友。从投资逻辑出发，趋势策略是当资产价格 上涨时，考虑做多；反之下跌时，考虑做空，本质上来说趋势策略是一个时序动量策略 （Time-Series Momemtum），与我们在《商品多因子模型框架再研究》中的动量因子不 同，后者为横截面动量（Cross-Section Momemtum）考虑的是截面不同品种的强弱关系。

从实施路径出发的话，趋势跟踪是一个绝对概念，标的的价格与自身历史行情相比得出 多空信号，有着严格的开平仓和止盈止损机制，因此策略设计大多为规则制。从趋势度 量指标出发，常见的趋势指标都可以分为动量指标和趋势反转指标，这些常见的指标大 多是技术面分析，背后有着很强的经济和交易逻辑。以上的种种引起了我们的思考，是 否能够融合多因子投资的方法论和趋势策略的交易逻辑？因此本文尝试从多因子的框 架检验趋势因子，第一个目的是提供以往规则制的 CTA 趋势策略全新的视角，第二个 目的是帮助 FOF 投资者更好的了解 CTA 趋势策略以及背后的交易逻辑。

2.趋势策略的逻辑与收益特征

2.1.趋势策略的存在与逻辑

作为一种量化策略，趋势跟踪无处不在，Moskowitz, Ooi and Pedersen (2012)利用股指期 货、商品期货、国债期货等 58 个资产，构建了时序动量组合，结果显示时间序列动量 组合表现优秀，超额显著。Hurst，Ooi and Pedersen（2017）将研究范围和时间区间进一 步的扩大，回溯时间从 1880 年开始，囊括了 67 个资产，同时考虑了 1 个月、3 个月和 12 个月的调仓频率，在考虑管理费和业绩提成后，构建的趋势策略仍能获得 11.2%的年 化收益率。Babu et al.（2020）在 Moskowitz 的基础上增加了另类资产发现趋势策略仍长 期有效，且增加资产类别可提高夏普比率。 为了更好的解释一个策略的收益来源，我们往往会从风险补偿和错误定价两个角度进行 研究。前者认为该策略承担了某种市场上常见的风险，其收益率是对于该风险的补偿。

而后者从实证经济学和行为经济学的角度出发，认为该超额收益是因为某种投资限制或 政策干扰的结果，或是市场投资者的认知偏差造成的错误定价。显然对于趋势策略的研 究我们应从错误定价来阐述，由于投资者认识偏差的存在，市场在不断地吸收新信息进 而不断更正自我的过程。 以螺纹钢主力合约价格举例，趋势形成的过程可以分为三个阶段。第一阶段是因为投资 者往往把自己的观点固定在最近的历史数据上，而不会很快的更新最新的价格动向，所 以当新信息或新价格已形成时，导致对于价格的反应不足，亦可称为锚定效应。

一旦趋 势走向已形成，趋势就进入了第二阶段，由于投资者会因为自身观点与市场走向不一致 时，容易像羊群一样加入趋势性的上涨或下跌行情，亦可称之为羊群效应。因为第二阶 段的过度反应造成的严重偏离基本面信息，所以第三阶段会出现反转趋势逐渐回归基本 价值。这三阶段组成了一个趋势循环，该趋势过程会不断的循环往复一直延续，这也是 趋势策略的交易逻辑。我们可以通过交易逻辑推断策略流程，不难发现的是最重要的就 是观察趋势频段、趋势的延续性时长和趋势度量指标，这是本文的研究背景。

2.2.趋势策略的存在与逻辑

在 Jusselin et al（2017）中展示了趋势策略的收益特征是一个凸函数，当趋势很小的时候， 策略的收益为负：当趋势（上涨或下跌）很大的时候，策略的收益才为正。在理论上此 类收益特征，是可以被同时做多两个不同执行价格的看涨和看跌期权的跨式期权复刻的。趋势策略的凸函数特性表明若时序动量策略不使用太高的杠杆率且不受流动性的限制， 那么趋势策略的亏损是相对有限的，收益可观。因为其亏损有限的特征，趋势策略的长 期收益为正，这就造就了趋势策略的收益分布是正偏的。以下左右图分别展示了精选 CTA 趋势策略的净值走势和趋势策略的周度收益分布。

2.3.趋势检验

趋势策略最关键的参数有两个方面：一是趋势的时间长度，二是衡量趋势的方式。本节 注重讨论第一个方面，下一节将集中讨论并检验衡量趋势的指标方法。从时间序列的角 度来阐述资产收益率的话，标的收益率可以被拆分为趋势、收益率均值、白噪音和微弱 的自相关性。

模拟不同路径是为了刻画资产未来某一段时间的运动轨迹，从而发现规律，捕捉趋势。日度级别的中频数据的收益率的标准差数量级会远高于其收益率均值的数 量级，在这样的频段中趋势策略难以捕捉收益率中的漂移项，因此更好的方法是对收益 率降频，在周线级别的频段上测算收益率能够使得收益率的数量级与收益率标准差的数 量级大致一致，趋势策略才能更精准的捕捉收益率中的趋势项。因为我们所有的底层数 据均为日级行情数据，所以我们才能更好的观察周度趋势。若投资者希望观察日级趋势， 则底层数据必定要来源于比日级数据更高频的，譬如小时级和分钟级等等。

在有了周度测算频段的理论依据，我们为了更好的描绘趋势在国内期货市场的表现，选 取了国内期货市场活跃性较好的 54 个品种，对其主力合约进行复权，计算主力合约基 本的统计信息并按峰度大小进行降序排列，原因在于峰度越大的品种，代表着更容易出 现异常值，更加有利于趋势跟踪策略。从偏度来看的话，左偏和右偏的比例相同，肥尾 效果十分显著。

更进一步的，我们对各个品种收益率的时效性进行检验，一是为了测算收益率的持续时 间段，二是为了探索构建趋势策略投资组合的持仓和回看周期。我们对各品种的周度收 益率做如下 OLS 回归，并记录回归后的 Beta 系数及其 T 值显著性， = + ( −ℎ −ℎ ) + 其中rt i是第 i 个品种 t 时刻的周度收益，σt i是已实现波动率的指数加权，h 是滞后期 因为我们此处做的为面板回归，使用的是指数加权的波动率矫正，不同的矫正方法会造 成些许误差，但不影响总体结论。另外测算的为周度收益率，此处的滞后期也为周度频 段，一期为 5 个交易日、两期为 10 个交易日，以此类推。

以 2..02 的 t 值为阈值，收益率的持续性在 1 至 3 期滞后期数时，t 值显著表明收益率持 续性好，该结果符合我们的直观逻辑，强趋势的持续性在一周至两周左右。随着滞后期数的增加，在一个月之后的趋势呈现微弱震荡，品种自身的波动率开始占据主导，这会 给趋势策略对漂移项的捕捉增加难度。当滞后期数扩大至一年期限时，趋势往往呈现反 转的态势，品种回归自身基本面价值的时间迅速，市场价格发现的有效性，这使得反转 态势的持续时间较短，间接印证了国内期货市场羊群效应的显著。基于趋势时效性的检 验，我们认为策略指标的时间长度设定在 5 至 15 个交易日较为合理。

3.趋势单因子测试

在确定了计算趋势的时间长度后，趋势策略最重要的是如何度量趋势的强弱。近年来， 各种分析方法层出不穷，有基于收益率的时序分析、有基于价格的时序分析、有统计模 型如 Kalman 滤波，甚至有如 WorldQuant 的 Alpha101 等数据挖掘的产物。 因子表达式越复杂，越难给出对应的交易逻辑和经济含义。若繁琐的计算方式能够带来 收益，但当其回撤时，投资者很难归因并以此改进，这必定是解释力度与收益间的权衡。 作为趋势策略的初篇，我们以解释力度为主，整理了市面上常见且有效的交易策略，从 交易逻辑和经济含义出发，将其分类为以下两大类：动量指标和趋势反转指标。

在因子检验方面，本文延续我们在《商品多因子模型框架再研究》中的方法论，实现步 骤是首先通过统计值 RankIC 对因子进行初步筛选，对筛选出的因子通过组合分层测试 法对不同因子组收益的区分程度进行检验。通过统计值筛选的因子是从因子本身出发， 观察该因子是否具备显著的预测能力：基于组合分层测试是落实到组合构建层面，观察 投资者在实际操作中是否能获取稳健的超额收益。

3.1.动量指标

动量指标是运用最广泛的一种技术分析指标，在本质上，动量指标是通过过滤掉时间序 列中的高频扰动，保留一部分对于未来价格有预测能力的低频走势。该类方法是基于收 益率和行情价格的技术分析，下表为整理后的较为成熟且常用的动量策略指标，及相关 因子的构建方式及预处理方法。

3.1.1.动量指标RankIC检验

在动量因子回看周期选择上，我们根据上一章节的滞后性检验，选择了5、10和15个交易日，并计算得到的因子值与下一期周度收益率的 RankIC。我们分别以IC均值、IC 标准差及 IC 的 T 值显著性为评判指标，并以指标所属大类进行归类。我们剔除上表 RankIC 绝对值低于 0.05 的因子，发现有效的因子指标计算方式为 BOP、 CCI、RSI、STOCHRSI和ULTOSC。该五类指标为以上气泡图的红框内，其 IC 均值显 著，IC值波动率相对平稳，IC_IR 值显著，回测期间内 T 值显著不为零。我们选取上述 五个指标，分别取 5 个交易日和 10 个交易日做为两组对照组，剔除 RankIC 无取值的时 间区间后，构建周频的 RankIC 累计曲线。

从两组对照组的整个样本区间来看，各指标表现均较稳定，并未发生显著的回撤或失效。 五个交易日 RankIC 累计曲线中，各大指标波动率较小，分层并不显著。当我们拉长回 看周期至十个交易日时，各大指标较五日波动率增加，指标间的分层效果提升，这印证了指标计算的时效性。 更进一步的，我们对该五大类指标计算其 RankIC 衰减，衰减期数上我们选择 2 至 50 周 对应一年的交易日。计算方式为 T 期因子值与滞后周期数收益率的 RankIC 值，并在每 个周期时序上取均值，以此画出 RankIC 衰减曲线。

此类 RankIC 衰减期是 Barra 的多因子模型提供的一个视角。Barra 在 CNE6 中对 Beta 因 子进行半衰期处理，以更好刻画市场的走势。我们在这里反其道而行之，运用衰减期更 好的刻画因子受市场变化的影响。通常来说，我们可以通过一个指数方程对衰减过程进 行拟合，并求出相关的衰减时间。但是，上两张图的衰减期数非常直观，所有动量因子 均在 1-2 期滞后期后 IC 值显著减少，在 40-45 期滞后时因子 RankIC 回调，直观反映了 动量类指标的时效性，同时也提供给我们之后对信号合成的研究方向。

经过上述 RankIC 检验后，有效的动量指标计算方式为 BOP、CCI、RSI、STOCHRSI 和 ULTOSC。这五大类指标具有共通性，因子计算的回看周期并无太大影响，计算后的因 子有效性均在 5 个交易日。选取了五个交易日的回看周期的因子值，发现因子间的自相 关性弱，验证了动量指标的整体变化趋势快和换手率较高。

3.1.2.动量指标分层测试

我们分层测试该五大类指标，考察实际投资组合构建中的效果。 Mom_STOCHRSI_5 指标计算方式和交易均为品种某时刻后复权的主力合约，所有分层方式均为等权重等数 量均分为五组，第一组为该因子在调仓期取值最小的一组，第五组为该因子在调仓期取 值最大的一组。每个组合中的期货品种均为等权重配置。回测过程中保证了因子数据的 可得行，调仓周期为 5 日，交易费用选取单边万分之二，不加杠杆。以上五组分层明显，2017 年是该因子分水岭，第一组至第五组累计收益率单调增加，最 高组的年化收益率 26.17%，年化夏普比率达到了 1.39，最低组的年化收益率-17.9%，年 化夏普比率在-0.62。该动量指标可以很好的分化不同品种间的趋势差异，是一个有效的 单因子。

Mom_ULTOSC_5_20_27。指标计算方式和交易均为品种某时刻后复权主力连续合约，所有分层方式均为等权重等 数量均分为五组，第一组为该因子在调仓期取值最小的一组，第五组为该因子在调仓期 取值最大的一组。每个组合中的期货品种均为等权重配置。回测过程中保证因子数据可 得行，调仓周期为5日，交易费用选取单边万分之二，回测过程中不加杠杆。

该因子能稳定的识别表现最差的第一组，但是第二至第五组的累 计收益率无法分辨，累计收益曲线单调性不显著。最高组的年化收益率 16.24%，年化夏 普比率达到了 0.684，最低组的年化收益率-20.75%，年化夏普比率在-1.26。该动量指标 虽不能分化不同品种间的趋势差异，但能稳定识别最低组，可用于信号合成。 Mom_RSI_5 指标计算方式和交易均为品种某时刻后复权主力连续合约，所有分层方式均为等权重等 数量均分为五组，第一组为该因子在调仓期取值最小的一组，第五组为该因子在调仓期 取值最大的一组。每个组合中的期货品种均为等权重配置。回测过程中保证了因子数据 可得行，调仓周期为 5 日，交易费用选取单边万分之二，回测过程中不加杠杆。

2017 年第三组表现较为强劲，第五组在 2020 年后收益开始攀升， 总体来说第一组至第五组累计收益率单调增加，最高组的年化收益率 13.91%，年化夏普 比率达到了 0.635，最低组的年化收益率-40.32%，年化夏普比率在-1.41。该动量指标可 以很好的分化不同品种间的趋势差异，是一个有效的单因子。 Mom_BOP_5 指标计算方式和交易均为品种某时刻后复权主力连续合约，所有分层方式均为等权重等 数量均分为五组，第一组为该因子在调仓期取值最小的一组，第五组为该因子在调仓期 取值最大的一组。每个组合中的期货品种均为等权重配置。回测过程中保证了因子数据 可得行，调仓周期为 5 日，交易费用选取单边万分之二，回测过程中不加杠杆。

3.2.反转指标

反转指标和动量指标在交易逻辑上是相反的，反转是通过观测市场的扭转趋势，以此做 多和做空的行为。从测算的本质上来说，反转指标与动量指标并无二致，同样是过滤时 间序列中的高频扰动，保留占据主导的低频走势，只不过两者在判断方向性上具有差别。

3.2.1.反转指标RankIC检验

在反转因子回看周期选择上，我们根据上一章节的滞后性检验，选择了 5、10 和 15 个 交易日，并计算得到的因子值与下一期周度收益率的 RankIC。因反转因子的特殊性，其 RankIC 值为负，我们剔除上表 RankIC 绝对值低于 0.05 的因子之后，发现有效的因子指标计算方式为 Kaufman、HT_Trendline、DEMA 和 SAR。初步 观察，这四类反转指标的统计 IC 绝对值大，虽 IC 值较为波动，但其 IC_IR 值依旧显著。 我们依旧选取 5 个交易日和 10 个交易日做为两组对照组，剔除 RankIC 无取值的时间区 间后。

四大类指标的表现并无明显分化，2016 年至 2020 年间，四大类因子的表现较为平淡， 背后的逻辑在于反转和动量的对立性，即反转投资者是站在动量投资者的交易对手方。 当商品市场有明显趋势性走向时，市场各品种呈现上涨（下跌）的单边延续性，反转态 势极少出现。而当商品市场呈现横盘上涨（下跌）时，反转对于形态变换的捕捉是十分 有效的。这我们从 2020 年至 2021 年反转因子的表现也是能佐证的。随着资金在 2020 年不断涌入商品市场，行情走向呈现横盘走长的态势，因此频繁触发反转因子的信号， 使得 RankIC 累计值增加。

反转因子因其与动量因子一样，均来自于量价数据，其 RankIC 的衰减速度快、且具有 周期回调性质。但是并非四个因子都是有效的指标，上右图的反转指标 RankIC 自相关 性可以看出，HT_Trendline 和 DEMA 指标大多呈现负自相关性，且不平稳。这表明该 两类因子的计算逻辑不能稳定甄别市场上的反转态势，因此不有效。

3.2.2.反转指标分层测试

在上节中，我们通过 RankIC 值测试并初筛选出两个有效的趋势反转指标计算方式，接 下来我们逐个对这两个有效的因子进行分层测试，考察他们在实际投资组合构建中的效 果。 Reversal_SAR 指标计算方式和交易均为品种某时刻后复权主力连续合约，所有分层方式均为等权重等 数量均分为五组，第一组为该因子在调仓期取值最小的一组，第五组为该因子在调仓期 取值最大的一组。每个组合中的期货品种均为等权重配置。回测过程中保证了因子数据 可得行，调仓周期为 5 日，交易费用选取单边万分之二，回测过程中不加杠杆。

Reversal_Kaufman_5 指标计算方式和交易均为品种某时刻后复权主力连续合约，所有分层方式均为等权重等 数量均分为五组，第一组为该因子在调仓期取值最小的一组，第五组为该因子在调仓期 取值最大的一组。每个组合中的期货品种均为等权重配置。回测过程中保证了因子数据 可得行，调仓周期为 5 日，交易费用选取单边万分之二，回测过程中不加杠杆。

4.因子间探索性分析

4.1.因子特征筛选

4.1.1.互信息方法论介绍

为了更好的理解因子间的交互信息，本节简单的运用互信息法探讨。在信息论中，互信 息亦被称为信息增量，其度量的是两个随机变量间的共享信息，换句话来说就是知道一 个变量对另一个变量的未知减少的程度（熵减），更为大家所熟知的运用场景是在决策 树中判断每个节点的依据。与上节中 IC 检验不同的是，互信息能很好的捕捉变量间的 非线性关系。更好的解释该理论，我们考虑两个离散变量 X 和 Y，用以下韦恩图表示，其中 H(X)、 H(Y)是两个随机变量的熵（entropy），H(Y|X)、H(X|Y)表示的是基于 X 和 Y 的条件熵， 就是知道 X(Y)对 Y(X)的未知减少的程度，H(X,Y)是交叉熵，那 I(X;Y)表示的即两个变量 的互信息。

4.1.2.互信息回归

互信息回归能很好做为上节因子线性相关性的补充，其原型由 BC Ross（2014）提出， 背后的逻辑是运用以上的互信息分别对 X 和 Y 建模，以期捕捉变量间的非线性相关性。 本节我们初步尝试此方法更好的认识并筛选因子。 具体的操作步骤是首先对每一个因子和下一调仓周期的周度收益率在样本内随机抽取 5000 个周频的数据点，计算该因子的互信息分数，这么做的目的在于我们不再依赖于数 据时序上的关系，而是从统计数值分布上出发探索。在此基础上，我们蒙特卡洛抽样抽取 1000 次，得到 1000 次单一因子的互信息分数，最后求出互信息分数均值。下表展示 了 1000 次各因子的互信息分数均值。

其中反转因子互信息分数最高的是 Reversal_SAR 和 Reversal_Kaufman_10，分别为 0.6835 和 0.5983。动量因子中互信息分数最高的是 Mom_CCI_10 和 Mom_RSI_5，分别为 0.5376 和 0.4642。互信息分数均值越高代表着该类因子能够提供的对于下一个调仓周期的收益 率的信息增量越大。 对于结果及互信息方法论的检验，运用可视化的散点图是最直观的。我们对每一个因子 都随机抽取了 300 个周频数据样本与其 T 时刻对应的下一调仓周期的周度收益率数据， 以此数据画出散点图，对散点拟合幂函数。

4.2.动量及反转因子合成及策略构建

通过筛选的两大类四个因子，我们落实至组合层面，分别构建时序和截面策略。首先我 们将 Mom_CCI_10 和 Mom_RSI_10 简单地等权合成为动量因子，Reversal_SAR 和 Reversal_Kaufman_10 同样等权合成为反转因子。横截面策略构建。构建逻辑为，在每一个调仓周期 T，对截面全品种按照合成后的动量（反转）因子值从 小到大排序，并依次将品种等分成五组，做多（做空）第五组，做空（做多）第一组， 以构成横截面策略。

5.总结与展望

趋势策略广泛存在各类资产中，其成因有着极强的逻辑。首先我们从行为经济学和期权 理论出发尝试详尽地解读趋势策略的收益特征及交易逻辑，同时从技术层面运用模拟实 证了捕捉趋势最优的频段长度。基于此频段，我们整理并筛选出有效的趋势度量指标。 最后通过互信息回归的方法得出指标参数，并构建了时序和截面两大类策略。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）