Q1：能先介绍下CTA是啥吗？
按照字面理解CTA(Commodity Trading Advisor)应该称为“大宗商品交易顾问”,从字面上看CTA，甚至都没提及是通过期货市场进行交易的概念，也不具备量化的的概念。最早的CTA，其实是美国发源的一些大宗商品代理交易的业务，后来发展出了CTA基金。1949年，美国海登斯通证券公司的经纪人理查德·道前(Richard Donchian)建立了第一个公开发售的期货基金，成为世界上第一只真正意义上的期货投资基金。CTA在历史上经历了从人工手动交易，到自动化，规范化的过程，目前CTA在海外比较著名的基金为AHL，Winton，Aspect Capital等。
中国的期货市场本身发展比较晚，2010年股指期货上市之后，期货交易策略才逐渐获得市场关注，差不多14年之后才私募CTA基金的概念才开始逐渐普及，这些量化基金主要是用量化的手段做一些期货市场以趋势跟踪为代表的量化策略的。后来就约定俗成，将CTA与管理期货策略，尤其是量化交易策略做了强关联，甚至有些人直接把CTA理解为期货里的趋势跟踪策略。我们今天聊CTA，还是根据国内习惯的概念，主要聊聊，在期货（包括商品期货、金融期货）领域，怎么样做来量化策略好了。
Q2：常见的CTA策略有哪些？
最常见的就是趋势跟踪和趋势反转策略，按照频率可以分为中低频的趋势策略和高频趋势策略，更广义的化可以把期货的套利策略也容纳进来。这里要解释一下，CTA策略的交易周期一般都是比较长的，所谓的低频很多都是以月、年为单位，中低频指的是以周、月、偶尔长到年为单位的交易策略，高频指的是以持仓一般以小时、日，最长不超过周为单位，速度到分钟以内，以毫秒为单位的那种高频不在我们讨论的范围之内。
中低频的趋势策略，比较常见的有均线突破策略、布林通道策略、海龟交易法则、Aberration策略等；日内高频趋势策略，比较常见的有R-breaker策略、Dual-thrust策略、ATR突破等，形态识别和机器学习策略在日内用得也会相对更多一点。
CTA这个市场本身其实是可以有多种策略风格的，很多传统的交易者可能有个基本的理念，或者说一个误解，认为商品就是做大趋势，或者说商品就是做趋势和套利，其实这个是很狭隘，也是很过时的观点，现在CTA整个策略体系已经非常成熟了，玩法也很多，把多因子的思路、高频的思路、统计套利的思路、机器学习的方法结合到CTA里面，都有很多尝试的案例，研究更加丰富的玩法，要比使劲的钻研到底怎么做好趋势会更加有价值一点。
Q：CTA策略的收益来源主要是？
期货市场本质上就两个功能，一个是风险转嫁，一个是价格发现，持有现货的人通过期货市场转移现货的价格波动，控制原材料的成本或者制成品的利润，其他所有不参与交割的交易者，在这个市场上做得都是投机生意，赚到的都是“价格发现”带来的收益。CTA策略做得再复杂，本质上，都是根据各种数据指标，对市场的未来价格走势进行预测。可以简单粗暴地分为趋势跟踪和趋势反转两种策略。
趋势跟踪策略，简单说就是涨杀跌，投资者对盈利和亏损比例的容忍程度是不对称的，期货市场有人做多就有人做空，一旦出现趋势，总有一方会出现亏损，而且资金规模不一样的投资者，对于亏损的忍耐长度是不一样的，当趋势持续一段时间之后，出现亏损的一方就会逐渐无法忍耐，此时资金量较小的投资者更容易出现非理性行为，亏损一方甚至会出现互相踩踏平仓行为，推动价格像更非理性的方向发展，通常这个时候，模型会通过监控市场波动性跟踪市场趋势，从而获得收益。
趋势反转策略，简单说就是高抛低吸，通过各种模型，预测市场价格的趋势，比较常见的一种均值回归策略，这种策略的信仰单边行情无法永远持续，行情有涨就有跌，涨的越快跌的也越快，大宗商品拉长周期看，期货价格总是要向现货回归的，价格不可能出现大多偏移，因此，模型会算出一个合理价格区间，在跌的时候开仓买入，涨回后平仓卖出；在涨的时候开仓卖出，跌回后平仓买入。
这里面指标就很复杂了，各家的趋势策略都很接近，主要是用波动性指标做的，趋势反转的差异就非常大了。趋势跟踪策略通常胜率比较低，没行情的时候亏小钱，有行情的时候赚大钱，一直没行情就可能熬死在黎明前。趋势反转策略一旦出现，很容易出现保证金高比例占用，尤其对资金量较小的投资者很容易拖累资金的使用效率，而且一旦预测失败亏损也比较大。这是传统的CTA出现亏损的主要原因，为了规避这些问题，现在的CTA策略，一般都是复合型的策略。
Q3：机器学习策略怎样运用在CTA领域？
机器学习的使用是由明显帮助的，这种策略在数据量越大的领域对策略的优化效果越显著，但是同时，很多理论上很美好的东西，用起来会有很多“坑”，大家可以在做得过程中慢慢体会。
从趋势来看，机器学习算法的运用一般是一个由浅入深的阶段，逐渐复杂化的过程。总体趋势可以总结为：从线性模型向非线性模型发展，从从无监督学习到有监督学习发展，从分类学习到回归学习方向发展，从决策树模型到神经网络模型模型发展。具体实践过程中，大家用的方法差异很大，需要结合具体的模型进行优化测试。当然，最重要的还是，数据来源本身要靠谱，要经得起推敲。
Q4：CTA策略怎样控制风险？
期货市场天然带有杠杆交易，稍有不慎，就会超出资金所能承受的风险范围，所以资金风险管控是CTA交易的重中之重，在开平仓的时候，需要根据盈利能力，风险偏好，流动性和交易成本进行多因素考量，在交易的时候，特别注意的是，需要考虑交易的沉没成本。在模型中，如果要定义“风险因子”，可以包括经济增长风险、流动性风险、尾部风险（统计套利里的概率问题）、波动性风险、政策性风险、通货膨胀、汇率风险等。
这里可以给大家介绍下经济增长这个风险因子。很多对金融市场不是很了解的朋友可能会问，经济增长为啥是个“风险”呢？因为，当经济增长这个因子处于不同的状态时，商品本身市场价格的运动的核心逻辑出发点是不同的。经济处在比较高速的增长期，整个商品市场的基本逻辑就是以需求为驱动，所有的东西都以需求为根本逻辑点出发来定价，如果有一段时间大家对于未来的经济增长过于乐观，你比如说经济还是高增长，明年只增长8%，大家都以为明年要增长16%，这个时候可能在短期之内你的商品已经把未来要增长的空间过度定价了，那么到了明年发现其实没有那么乐观，那么大涨之后的大跌也可以很激烈，而在下跌时期，整个市场的定价主要就会有需求来决定，讲的就是另一个故事了。人们的过度乐观和过度悲观，都会产生市场价格的不合理预期，这种风格转换的速度，往往超出了数据模型可以计算和反应的速度，很容易引起策略失效。
很多理工科、统计学背景转行到量化投资领域的朋友做策略是基于纯粹的数学方法，对统计学模型、参数、方程式做很多的优化，模型做的很漂亮，结果也很漂亮，但是对于市场的底层逻辑没有足够的考虑，尽管从模型角度看起来没有过度拟合，但是数理工具的过度运用本身，也是一种过度拟合。想要做好量化，对于金融市场规律本身的深度学习思考也是必不可少的。
Q5：对策略优化的建议？
借用一下我很尊敬的一个行业前辈，棋剑投资王总提出的几个问题，可以时不时问问自己：
– 数据是否准确可靠，数据使用是否足够客观？
– 数据结论到策略逻辑之间的推论是否严谨而不存在逻辑漏洞？
– 策略逻辑是否合理？是否在不同市场具有一定普适性？
– 期望收益是否可以被合理解释？从资产类别，策略风格，风险因子三大角度进行归因分析，分析结果是否合理并能够反映主要的期望收益？
– 可能的策略失效风险有哪些？
– 策略是否同时考虑了数据与人这两个载体？
– 策略是否合理的平衡了收益与风险？
– 新策略如何添加到原有的策略系统中去？在哪些品种上配置？不同策略之间权重如何决定？
– 未来出现何种情况要果断停止策略的使用？
閱讀更多 榮隆教育 的文章
