Q1：能先介紹下CTA是啥嗎？
按照字面理解CTA(Commodity Trading Advisor)應該稱為“大宗商品交易顧問”,從字面上看CTA，甚至都沒提及是通過期貨市場進行交易的概念，也不具備量化的的概念。最早的CTA，其實是美國發源的一些大宗商品代理交易的業務，後來發展出了CTA基金。1949年，美國海登斯通證券公司的經紀人理查德·道前(Richard Donchian)建立了第一個公開發售的期貨基金，成為世界上第一隻真正意義上的期貨投資基金。CTA在歷史上經歷了從人工手動交易，到自動化，規範化的過程，目前CTA在海外比較著名的基金為AHL，Winton，Aspect Capital等。
中國的期貨市場本身發展比較晚，2010年股指期貨上市之後，期貨交易策略才逐漸獲得市場關注，差不多14年之後才私募CTA基金的概念才開始逐漸普及，這些量化基金主要是用量化的手段做一些期貨市場以趨勢跟蹤為代表的量化策略的。後來就約定俗成，將CTA與管理期貨策略，尤其是量化交易策略做了強關聯，甚至有些人直接把CTA理解為期貨裡的趨勢跟蹤策略。我們今天聊CTA，還是根據國內習慣的概念，主要聊聊，在期貨（包括商品期貨、金融期貨）領域，怎麼樣做來量化策略好了。
Q2：常見的CTA策略有哪些？
最常見的就是趨勢跟蹤和趨勢反轉策略，按照頻率可以分為中低頻的趨勢策略和高頻趨勢策略，更廣義的化可以把期貨的套利策略也容納進來。這裡要解釋一下，CTA策略的交易週期一般都是比較長的，所謂的低頻很多都是以月、年為單位，中低頻指的是以周、月、偶爾長到年為單位的交易策略，高頻指的是以持倉一般以小時、日，最長不超過周為單位，速度到分鐘以內，以毫秒為單位的那種高頻不在我們討論的範圍之內。
中低頻的趨勢策略，比較常見的有均線突破策略、布林通道策略、海龜交易法則、Aberration策略等；日內高頻趨勢策略，比較常見的有R-breaker策略、Dual-thrust策略、ATR突破等，形態識別和機器學習策略在日內用得也會相對更多一點。
CTA這個市場本身其實是可以有多種策略風格的，很多傳統的交易者可能有個基本的理念，或者說一個誤解，認為商品就是做大趨勢，或者說商品就是做趨勢和套利，其實這個是很狹隘，也是很過時的觀點，現在CTA整個策略體系已經非常成熟了，玩法也很多，把多因子的思路、高頻的思路、統計套利的思路、機器學習的方法結合到CTA裡面，都有很多嘗試的案例，研究更加豐富的玩法，要比使勁的鑽研到底怎麼做好趨勢會更加有價值一點。
Q：CTA策略的收益來源主要是？
期貨市場本質上就兩個功能，一個是風險轉嫁，一個是價格發現，持有現貨的人通過期貨市場轉移現貨的價格波動，控制原材料的成本或者製成品的利潤，其他所有不參與交割的交易者，在這個市場上做得都是投機生意，賺到的都是“價格發現”帶來的收益。CTA策略做得再複雜，本質上，都是根據各種數據指標，對市場的未來價格走勢進行預測。可以簡單粗暴地分為趨勢跟蹤和趨勢反轉兩種策略。
趨勢跟蹤策略，簡單說就是漲殺跌，投資者對盈利和虧損比例的容忍程度是不對稱的，期貨市場有人做多就有人做空，一旦出現趨勢，總有一方會出現虧損，而且資金規模不一樣的投資者，對於虧損的忍耐長度是不一樣的，當趨勢持續一段時間之後，出現虧損的一方就會逐漸無法忍耐，此時資金量較小的投資者更容易出現非理性行為，虧損一方甚至會出現互相踩踏平倉行為，推動價格像更非理性的方向發展，通常這個時候，模型會通過監控市場波動性跟蹤市場趨勢，從而獲得收益。
趨勢反轉策略，簡單說就是高拋低吸，通過各種模型，預測市場價格的趨勢，比較常見的一種均值迴歸策略，這種策略的信仰單邊行情無法永遠持續，行情有漲就有跌，漲的越快跌的也越快，大宗商品拉長週期看，期貨價格總是要向現貨迴歸的，價格不可能出現大多偏移，因此，模型會算出一個合理價格區間，在跌的時候開倉買入，漲回後平倉賣出；在漲的時候開倉賣出，跌回後平倉買入。
這裡面指標就很複雜了，各家的趨勢策略都很接近，主要是用波動性指標做的，趨勢反轉的差異就非常大了。趨勢跟蹤策略通常勝率比較低，沒行情的時候虧小錢，有行情的時候賺大錢，一直沒行情就可能熬死在黎明前。趨勢反轉策略一旦出現，很容易出現保證金高比例佔用，尤其對資金量較小的投資者很容易拖累資金的使用效率，而且一旦預測失敗虧損也比較大。這是傳統的CTA出現虧損的主要原因，為了規避這些問題，現在的CTA策略，一般都是複合型的策略。
Q3：機器學習策略怎樣運用在CTA領域？
機器學習的使用是由明顯幫助的，這種策略在數據量越大的領域對策略的優化效果越顯著，但是同時，很多理論上很美好的東西，用起來會有很多“坑”，大家可以在做得過程中慢慢體會。
從趨勢來看，機器學習算法的運用一般是一個由淺入深的階段，逐漸複雜化的過程。總體趨勢可以總結為：從線性模型向非線性模型發展，從從無監督學習到有監督學習發展，從分類學習到迴歸學習方向發展，從決策樹模型到神經網絡模型模型發展。具體實踐過程中，大家用的方法差異很大，需要結合具體的模型進行優化測試。當然，最重要的還是，數據來源本身要靠譜，要經得起推敲。
Q4：CTA策略怎樣控制風險？
期貨市場天然帶有槓桿交易，稍有不慎，就會超出資金所能承受的風險範圍，所以資金風險管控是CTA交易的重中之重，在開平倉的時候，需要根據盈利能力，風險偏好，流動性和交易成本進行多因素考量，在交易的時候，特別注意的是，需要考慮交易的沉沒成本。在模型中，如果要定義“風險因子”，可以包括經濟增長風險、流動性風險、尾部風險（統計套利裡的概率問題）、波動性風險、政策性風險、通貨膨脹、匯率風險等。
這裡可以給大家介紹下經濟增長這個風險因子。很多對金融市場不是很瞭解的朋友可能會問，經濟增長為啥是個“風險”呢？因為，當經濟增長這個因子處於不同的狀態時，商品本身市場價格的運動的核心邏輯出發點是不同的。經濟處在比較高速的增長期，整個商品市場的基本邏輯就是以需求為驅動，所有的東西都以需求為根本邏輯點出發來定價，如果有一段時間大家對於未來的經濟增長過於樂觀，你比如說經濟還是高增長，明年只增長8%，大家都以為明年要增長16%，這個時候可能在短期之內你的商品已經把未來要增長的空間過度定價了，那麼到了明年發現其實沒有那麼樂觀，那麼大漲之後的大跌也可以很激烈，而在下跌時期，整個市場的定價主要就會有需求來決定，講的就是另一個故事了。人們的過度樂觀和過度悲觀，都會產生市場價格的不合理預期，這種風格轉換的速度，往往超出了數據模型可以計算和反應的速度，很容易引起策略失效。
很多理工科、統計學背景轉行到量化投資領域的朋友做策略是基於純粹的數學方法，對統計學模型、參數、方程式做很多的優化，模型做的很漂亮，結果也很漂亮，但是對於市場的底層邏輯沒有足夠的考慮，儘管從模型角度看起來沒有過度擬合，但是數理工具的過度運用本身，也是一種過度擬合。想要做好量化，對於金融市場規律本身的深度學習思考也是必不可少的。
Q5：對策略優化的建議？
借用一下我很尊敬的一個行業前輩，棋劍投資王總提出的幾個問題，可以時不時問問自己：
– 數據是否準確可靠，數據使用是否足夠客觀？
– 數據結論到策略邏輯之間的推論是否嚴謹而不存在邏輯漏洞？
– 策略邏輯是否合理？是否在不同市場具有一定普適性？
– 期望收益是否可以被合理解釋？從資產類別，策略風格，風險因子三大角度進行歸因分析，分析結果是否合理並能夠反映主要的期望收益？
– 可能的策略失效風險有哪些？
– 策略是否同時考慮了數據與人這兩個載體？
– 策略是否合理的平衡了收益與風險？
– 新策略如何添加到原有的策略系統中去？在哪些品種上配置？不同策略之間權重如何決定？
– 未來出現何種情況要果斷停止策略的使用？
閱讀更多 榮隆教育 的文章
