基市漫谈｜国泰君安期货股指CTA闭门研讨会内容分享

序言

2024年初，股指CTA受益于权益市场的大幅波动，整体收益可观。在股票alpha类资金撤离的背景下，“中性替代”策略的追逐开启，作为年初为数不多收益抢眼的策略，股指CTA的尾部风险保护能力得以体现，引发市场广泛关注。基于此我们近期进行了一场关于股指CTA研究配置的内部研讨会，作为CTA系列会议的第二场，希望通过深入的讨论更为全面地理解这一类策略。

我们主要邀请了私募、公募的股指CTA策略基金经理，以及来自银行理财子、券商自营、私募FOF等的专业配置资方，从策略框架、配置逻辑、策略细节等方面共话股指CTA。下面是部分讨论成果的分享。

会议主持：蔡公杰

会议记录：张剑锴

时间：2024.03

01

股指CTA策略框架

1.1基金经理简要介绍各自策略

A：实盘主要是规则型策略，纯日内时序规则，长期夏普2.5-3，策略容量估计约6-7亿。

B：11年开始做股指，15年之前主要交易日内策略，15年后受手续费上调成交量下降影响，策略有效性降低。所以16年开发商品策略并对股指做降频处理，挖掘低频因子，16-17年表现还行。现在股指策略规则类、预测类模型都有，比重相对均衡，不倾向做复杂模型。22年策略有大的迭代，表现提高较多。目前一半股指高频日内预测持仓周期1小时以内，另一半隔夜。组合夏普2-3，单策略夏普1.5左右。

C：股指最近一两年内开始做，策略定位有一定差异，偏配置型，因此周期相对长，持仓3-5天，日线交易，线性模型。认为一般股指策略在高波动，强趋势行情下盈亏比高，但自己的策略在市场高波动的时候仓位比较小，有一定低相关性。

D：股指日内策略，不隔夜。交易频次分钟到小时级别，模型线性非线性都包含，预测型为主，空头alpha较强，预测型和规则型的差异主要体现在预测型更多是把握大波动而非大趋势，大趋势未必能带来明显收益。

E：股指策略有两个。一个是规则策略，包括高波反转、趋势择时加入等规则，60%日内，40%隔夜，隔夜的浮盈要求比较高（达到阈值或者对锁），持仓3-5天，一年夏普在2左右，最大回撤3%，年化收益大概17-18%。另一个是股指跨期套利，用深度行情期限结构来做，下单微秒级，建仓3-5分钟，持仓20分钟，最大回撤0.5%，收益率6-7%。

总结：大类来看，股指CTA的构建逻辑可分为策略类和配置类。细分而言，可分为预测型/规则型、趋势/套利、日内/隔夜/日频，而日内又可从秒、分钟到小时级别分别触发交易。各家做法存在一定的差异性，适应的市场环境也有所不同。

1.2行情对于股指CTA的影响如何，除了波动率是否有其他共性的影响因素？

A：波动特别高或特别低都不好做，特别低不容易回撤很大，但高收益较难。20年策略相对难做，下半年横盘了一段时间。另外收益还与品种参与者结构变化有关，猜测日内T0、场外衍生品等量上的快，对于日内波动和收益有一定的挤压。

B：IC在21年以前表现较好，21年后表现较弱，认为主要受场外衍生品和T0影响。T0更偏小票，所以几个品种中IC在21年前后表现差距最大。今年1月底以来场外衍生品量有所减少，21年以来表现不好的因子表现转好。建议不同策略可以看不同周期的波动率。另外，在波动不是特别低且行情能连续时候策略不会很差，所以可以定义一些趋势性指标以追踪。

C：股指参与者角色较多，一类配置盘（靠持有收益，害怕波动），一类交易盘（资金推动）。交易盘偏好IC、IM，极高波动下日内和隔夜可能很受伤，因为往往隔夜、上午、下午都有跳空。配置盘偏好IH、IF，收益不错，IC、IM则效果比较差。不同标的分析参与者结构有利于识别收益来源。

I：跨期策略相对更关注基差波动，波动率保持平稳，策略收益也会更稳定。

总结：感受到市场参与者结构变化对策略收益的冲击，在部分股指标的上较为明显，因此需要更定量地拆解参与者结构。此外，波动的平稳性、趋势强度、日内不同周期的波动等指标是可关注的环境变量。

1.3是否尝试过其他策略类型？和保留到实盘的策略差异性在哪里？

A：分钟频以上不同频段会有一定的特征差异，但能用相似的方法捕捉到信号，一两分钟以内细微的频段差异会造成策略收益显著的区别。整体来看，稍长一些频段有类似的策略方法论，但是执行端差异很大，比如滑点控制等，目前策略选择是平衡多方面因素后的结果。

B：策略相对丰富，规则向预测型的转化可以通过传统机器学习作映射，树模型为基础，底层特征类规则，效果还不错。今年2月份偏短一点的日内规则型策略更好，预测类模型稍差。认为市场被干预会对策略造成影响，年后干预减少，明显看到日内或日间偏中短周期策略表现都比较平稳。

D：长期实践来看，IF、IM的收益结构好于IC，IC受到参与者结构复杂、场外衍生品规模增加等因素影响，样本内外一致性较弱。场外衍生品相关产品敲入时IC会有一波机会，但市场突然升波行情不好做，降波行情反而还不错。行情被干预、量价不能表现的意外事件（比如中午发金融数据、战争消息等等）会导致回撤偏大。因此综合考虑IC在策略中占比偏低。

E：波动率的影响要看策略。波动率对套利策略基本没有影响，极致价差、成交量会有影响，成交量爆炸时会好做。我们的规则类策略偏重反转再加长趋势，所以连续趋势会表现较好、中间震荡比较难做。CTA无法精准预测波动率，所以认为没有行情不要亏、有行情要抓住longtail就非常好。不同预测频段差异很大，会做包含不同频段子策略的组合，整体频段丰富度高于底层因子类别丰富度。

总结：整体来看，中长频段的收益结构较为接近，非常短的赛道特征差异性可能较大。预测和规则型策略之间一定程度上可以互相转化。

02

股指CTA配置

2.1 FOF阐述在配置中对股指CTA的定位和收益预期

F：今年以前较少配置股指CTA，主要原因是21年股指表现不好。由于股指22-23年表现不错，商品在这个阶段波动较低，股指可以作为分散配置的收益来源，另外今年股票波动大利于股指，所以今年在盘子中逐步加入股指。看下来觉得股指规则类收益偏趋势跟踪，预测类偏反转。猜测过去由于雪球产品日内波动小，预测型表现更好，今后如果行情偏趋势，可能规则会更好做。分类方面一般根据日内还是日频来分，或者规则类还是预测类。

G：配商品CTA和权益类策略是一种维度的分散，配股指CTA的期望是能够在股票市场发生连续下行时提供更直接逻辑的对冲保护，配置的策略中日间策略更多起到这个效果，日内是对日间做补充做平滑。对股指CTA的预期就是在行情不好的时候能稳得住，在行情好的时候有预期的表现，配置的定位较商品CTA会更强。

H：14-15年投了，享受到了红利期，所以股东愿意配股指。股指配置倾向去做择时，观测下来市场波动率低的时候股指策略普遍表现一般，所以要对未来市场走势有大致判断，再考虑配置与否。过年前后增加股指CTA，对股指CTA预期是高波得赚钱，低波控制磨损。认为当下股指CTA依然处于配置红利期，短期内会持续持有相关产品。

总结：FOF配置盘对股指CTA的关注度在今年初明显提高，倾向投资于收益结构可理解的股指CTA，即在市场高波、强趋势行情时能带来明显收益，在市场低波震荡时能控制磨损。同时对组合的尾部风险能有所保护，即在市场极速下跌时，策略能提供显著的空头alpha。

2.2 如何对股指CTA分类

J：Beta方面，市场beta一定要抓住，通过趋势相关性拆出持仓周期，再看是否偏趋势，偏趋势要看趋势度指标和波动率，分为四个象限，高波高趋势希望收益可观，低波低趋势不希望回撤太大。Alpha方面尽量分散。

K：股指策略收益往往是脉冲式，相比于商品更为波动率敏感。之前配置更多是找一些CTA策略中包含股指标的的。今年定位不太一样，配置纯股指策略的管理人时更看重对尾部风险的保护，考虑绝对收益和危机alpha。

03

股指CTA策略细节

3.1 是否基于波动率高低，优化开仓频率？

E：策略开仓信号时间固定，开仓密集度不同。

A：希望开仓触发密度比较均衡，不会根据波动率影响触发时间。

D：根据策略不同，因子已考虑波动率影响，就不用高波开仓多一点，低波少一点。

3.2 今年初日内几十分钟反转明显增多的行情下，会考虑对策略做一些调整吗？

B：不会对单个样本做优化，更多考虑全局因素。

C：如何过滤行情较为重要，规则型策略过滤和挑样本效果差不多，以动量和波动率结合的过滤方式为主。

D：把大趋势行情去掉再去训练挑因子做反转模型，是一种思路，但是效果取决于对趋势的定义。

E：部分宏观因子可以应对年初这一轮特殊行情，但是加入策略会影响大行情下的绩效，还在进一步探索可行性。

3.3未来策略方向会如何选择？

A：目前量小，不放开隔夜。规则和预测两者都在研究，目前预测类做出了一些不一样但绩效和规则类相近的策略，认为两者有很大区别。

B：早期以规则为主，近两三年开始做预测。按照比例来说规则多一些，也有通过把规则转化成因子的方式把规则类过渡到预测类。

3.4股指策略和商品策略开发时的区别？

L：开发股指策略主流的做法一种是把股指当作商品的一个品种，使用同一套模型，共用量价信息。还有一种方式是单独开发。

A：股指频率高一点，商品低一点。股指博弈结构更充分一点、盘子大一点，商品毛刺比较多。趋势的部分相对可以通用，非趋势的部分商品和股指差异比较大，执行算法差异大。

E：股指盘口薄，商品盘口厚，参数会有不同，商品品种多、维度多，但稳定性较差，收益高风险高，商品换月时表现不稳定，换月算法较为重要。

C：商品分为两类，一类纯商品，另一类带一点金融属性，黑色、有色、贵金属，商品和股指在收益特征上最像的是贵金属和铜。中高波资金行为上，商品和股指是类似的。商品和股指的交割方式不一样，商品有季节性，特征逻辑层面有差异性。要看策略目的性，长周期收益来源精细化，短周期可以用同一套模型框架。

B：从价格微观层面股指和商品差异较大，股指盘口薄、spread大，微观层面这一类策略不一样。偏短周期价格连续性股指好于商品，策略配置上股指反应股票市场总体情绪，商品比股指因为品种多可以多一层平滑，所以单品种商品要求低于股指。不会一套模型和因子对两边都有效。

3.5股指策略容量的测算方法？

L：看到比较常见的做法是按照对市场不造成冲击的比例设定单品种成交量上限，根据当前策略成交量相比于这一上限的比值等比换算策略容量，偏线性的预估方式。

A：会高频监控滑点的均值和方差，但是没有边界，无法事前说清楚到怎么样一个容量，实际随着规模增大滑点会非线性增长，对盘口会通过高频模型做短期预测。线性外推是不合适的，高频监控滑点变化较为可靠，容量预估更多是基于经验，以过往策略跑过的最大规模资金作为上限预估。对全样本有效的低收益高频模型（交易算法模型）如何确定放到有偏样本（信号模型）上仍然有效？这需要实盘验证，让高频算法模型和信号模型更符合。

B：低频模型容量很大，能够容忍交易信号分钟级延迟。股指盘口薄，交易意图通过算法隐藏有一定难度，可能被一些更高频的资金所狙击。收益来源上看，不同算法、不同逻辑对策略贡献有差异，单笔收益比较重要。策略上实盘前一般根据信号频率、盈亏比和估算的交易滑点综合考量，力求估算精确，以平衡优秀策略。

3.6如何对收益风险进行监控？

C：因子风险监控，构建风险指标因子。

A：要看成交率是否异常，看因子斜率近期是否发生比较大的变化。

D：因子风险监控的前提是已知市场变化，但很难知道怎么变。

3.7除了常规量价数据，哪些数据可能会有alpha？

A：会有些不太一样的数据，有一定增强。

B：高频另类数据具备明显的alpha，值得挖掘。

3.8国债CTA策略的可行性？

A：国债前两年上涨行情，回测出来好一点的策略多头收益贡献为主，担心样本内过拟合。

B：一些规则型国债策略能够达到多空收益均衡，观测了一段时间表现相对平稳。