证券研究报告/金融工程报告 2023年04月12日 “均线”才是绝对收益利器?——“ICU均线”下的择时策略 分析师:包赞 报告摘要 电话:18017505196执业编号:S0740522070001Email:baozan01@zts.com.cn ◆绝对收益策略 随着固收加类产品蓬勃发展,绝对收益类策略地位日益提升。权益市场上绝对收益有两种打法:一种是多空对冲的思路,国内主要是股票多头与股指期货空头对冲,海外用股票空头对冲也很多,也就是配对交易策略;另一种逐渐流行开来是权益CTA策略,这类策略从技术上讲更简单、实用。这类策略思路就是“在不确定中找确定”,其实就希望能够找到这一类指标,能够做到“不出手则已,一出手就能获利”,当然每次都确定获利是不可能的,但是尽量做到多数时间获利,且每次交易都力求做到“赚大钱亏小钱”。 ◆传统均线与“ICU”均线 CTA策略中,占比最高的就是趋势策略,这类策略主要用一些趋势指标,最简单的就是均线,当然普通均线效果不够好,我们找到了新的均线,叫“ICU均线”,之所以叫这个名字,是因为这个数据处理方法来自与重症监护中的信号处理方法。普通均线的问题来自于,对于极值或者异常值处理不够稳健,容易受到异常值的影响,比如五日均线,前四日是趋势下跌,但是�五日突然大幅反弹,导致均线看不出这期间的下跌,其问题就是�五日数据相对其四日数据来讲,是异常值,一般的均线或者回归方法,都对这类问题没有很好的处理。需要更稳健的算法,这类更稳健的算法在统计学中叫稳健回归。 ◆ICU绝对收益策略绩效 我们ICU均线下的绝对收益策略非常简洁:价格线上穿5日ICU均线,则买入,下穿则卖出平仓。我们用2005年以来的沪深300指数做回测,年化收益高达14%左右,夏普比1.7左右,2013年以来最大回撤8%。策略累积收益曲线如下。 风险提示:本报告结论完全基于公开的历史数据进行统计、测算,文中部分数据有一定滞后性,同时存在�三方数据提供不准确风险;模型均基于历史数据得到的统计结论且模型自身具有一定局限性并不能完全准确地刻画现实环境以及预测未来;模型根据历史规律总结,历史规律可能失效;模型结论基于统计工具得到,在极端情形下或存在解释力不足的风险,因此其结果仅做分析参考。本报告提到的任何基金产品不构成任何投资收益的保证或投资建议。 正文目录 1.引言3 2.传统均线的问题4 3.ICU均线6 4.ICU均线策略9 图表目录 图1:均线对比4 图2:离群值带偏原有数据趋势示意图5 图3:稳健回归关于异常值的处理5 图4:稳健回归优点8 图5:策略累积收益表现9 图6:策略每个月收益情况展示10 图7:ICU均线策略与沪深300指数收益对比11 表1:风险收益统计(上面一行20050104-20230406)10 表2:几轮较大回撤情况10 1.引言 金融投资中时常讲“在不确定中找确定”,其实就希望能够找到这一类策略,能够做到“不出手则已,一出手就能获利”,当然每次都确定获利是不可能的,但是尽量做到多数时间获利,且每次交易都力求做到“赚大钱亏小钱”。这类策略在策略范畴中就是量化投资中的CTA策略,目前市场上对这类策略需求很大,尤其是随着固收加类产品的蓬勃发展,这类策略的地位日益提升。未来我相信,在财富管理与投顾领域,这类策略也有着很好的应用场景,辅助基金投资者进行自动化交易,提升风险收益比。 我们首先简单介绍下CTA的情况,CTA策略并不是量化领域的分支,主动也可以做,只是量化更擅长这个领域。随着量化交易的兴起,全球CTA基金规模已经从2005年的1306亿美元,到2015年已经超过3000多亿美元。并且CTA策略也成为全球对冲基金较为主流的投资策略之一。与规模同时上升的是CTA基金的业绩,巴莱克CTA指数是全球商品交易顾问具有代表性的行业基准。自1979年末至2016年末,巴莱克CTA基金指数累积收益高达28.95倍,年化收益率为9.59%,夏普比率为0.37,最大回撤为15.66%。 在产品工具角度看,由于在资产配置组合中,CTA策略通常与其他策略都保持着极低的相关性,所以这类产品有着很强的配置工具价值。在2000~2002年全球股票熊市以及2008年全球次贷危机时期,巴莱克CTA基金指数不仅没有下跌还实现了正收益,当股票市场和债券市场发生危机时,CTA可以提供强劲的收益。 从交易策略上来看CTA策略也是多元化的:它可以是趋势策略、也可以是套利策略;可以是大周期中长线策略、也可以是日内短线策略;策略逻辑可以基于技术分析、也可以基于基本面分析;可以是主观交易,也可以是系统交易。CTA策略有不同的分类方法,根据交易方法,可以分为:主观交易和系统交易,国外的CTA策略发展的比较先进,系统交易的CTA策略已经接近100%。根据分析方法,可以分为:基本面分析和技术分析。根据收益来源,可以分为:趋势交易和震荡交易。总体来看,CTA策略在整个交易市场上,趋势策略占比约70%,均值回归策略占25%左右,反趋势或趋势反转占5%左右。其中占比最大的趋势策略,根据持仓周期,又可以分为:高频交易、日内交易、中短线交易、中长线交易。 我们这篇报告介绍的策略基于技术分析,采用全新算法下的均线指标,中短线交易,用在沪深300指数上,能够获取年化收益14%左右,夏普比高达1.7,模型思路简介,算法稳健。我们这个全新均线指标取名为“ICU均线”,是因为我们用的算法来自生物统计学中重症监护中生命参数信号处理方法。 2.传统均线的问题 下图展示的是沪深300指数收盘价(黑线),以及普通的5日均线(红线)与我们的5日ICU均线(绿线)。从这个图可以看出,普通均线反应较慢,底部反弹很久后才出信号,顶部反转一段时间后才出现卖出信号。这是传统均线共同的问题。 图1:均线对比 资料来源:Wind,中泰证券研究所 从上图能够看出来,五日均线容易受到异常值或者突变值的影响,以上图�一个圈为例,当时黑线处于下行趋势,然后开始反弹上行,对于之前的下行趋势来讲,反弹的上行趋势就是前面较低价格的异常值,这个反弹的异常值导致了导致红色均线被抬升,在平均意义上就忽略掉了这次下跌,所以普通均线甚至都没有反映出当前的 小跌。 所以,普通均线的问题来自于,对于极值或者异常值处理不够稳健,容易受到异常值的影响,这类信号处理方法都有相同的问题,需要更稳健的算法。我们下面介绍的ICU均线,其背后算法为稳健回归方法,其对异常值的处理就更加妥当。具体算法在下文描述。 我们下图展示的就是稳健回归的优点,下面右边图可以看出来,即便有一个异常值,稳健回归依然能够按照已有的趋势来拟合。运用在均线上就是,即便有某个时点价格不遵循整体规律,稳健回归依然能够按照总体规律来画出均线。 图2:离群值带偏原有数据趋势示意图 资料来源:中泰证券研究所 我们看看Chatgpt对稳健回归的介绍。 图3:稳健回归关于异常值的处理 资料来源:Chatgpt,中泰证券研究所 3.ICU均线 3.1重症监护上的信号提取 重症监护中生命参数的在线分析需要快速和可靠的方法,因为一个小的故障可能会对病人带来生命危险。他们的方法需要能够处理高水平的噪音并对离群值提供稳健监测,科学谨慎处理离群值,这个目标恰好与我们需求匹配。 Davies,Fried和Gather(2004)最早将稳健回归应用于移动的时间窗口,以提取包含周期、单调的趋势与随时间变化的斜率,以及突然的水平变化。由于没有公认的稳健回归的标准,他们比较了流行的L1、重复中位数(RM)和最小中位数(LMS)回归。他们发现,重复中位数回归在大多数方面都优于L1,而LMS回归倾向于不稳定,而且速度较慢。我们算法采用的就是重复中位数(RM)下的稳健回归。 为了展示这类算法,我们分析了RM、LMS和另外两种回归方法,因为它们已经在统计学文献中引起了相当大的关注。在Rousseeuw,VanAelstandHubert(1999,p.425),Rousseeuw指出,LMS的表现没有LTS好,因为LTS的目标函数更平滑,从而导致更高的效率,LMS的唯一优势是它在所有基于残差的估计中偏差最小。这里的一个问题是LTS是否会在稳定性方面超过LMS。此外,我们还研究了深度回归(DeepestRegression),它能很好地处理不对称和异方差误差(Rousseeuw和Hubert,1999),同时将其与RM回归比较,后者在延迟信号提取方面表现最佳。 �2小节介绍了回归方法并讨论了它们的一些特性。 3.2ICU中的在线信号提取技术 考虑一个时间序列yt, t=1,¼,N 。为了稳健回归法的可行性,我们假设数据在局部上可以很好地被线性 趋势模拟。这也就是说,在一个长度固定为n=2m+1的时间窗口内,我们有如下模型: yt+i =mt+bti+et,i, i=-m,¼,m 这里mt表示潜在的水平(thesignal信号), bt是t时刻的斜率, et,i是中间值为0的独立误差项,下面会 考虑et,i的不同分布假设。对于只有一个时间窗口的情况,我们可以去掉下标t。因此,对于一个以t为中心的时 间窗口,我们考虑 yi=m+bi+ei, i=-m,¼,m。 3.2.1稳健回归的方法 y=(y-m,...,ym)'表示一个宽度为n的时间窗口,让ri=yi-m+b,ii=-m,..., 考虑下面四个稳健回归: m表示对应的残差。 1.LeastMedianofSquares(Rousseeuw1984) i TLMS(y)=(mLMS,bLMS)=argminm,b[med(r2;i=-m,¼,m)] 2.LeastTrimmedSquares(Rousseeuw1983) h TLTS(y)=(mLTS,bLTS)=argminm,bå(r2) k=1 k:n 这里(𝑟2)k:n代表目前时间窗口的排序后�k个残差项平方,即对于任意kÎ[1,...,n], (r2) £¼£(r2) £¼£(r2) 这里h代表着调整比例(trimmingproportion),我们将h设置为⌊n/2⌋+1。 1:nk:nn:n 3.RepeatedMedian(Siegel1982) 重复中位数(MedianPolish)是一种非参数统计方法,通常用于多元数据的分析。该方法通过多轮的中位数调整,逐步减小数据中的离群点对结果的影响。重复中位数的优点在于不需要对数据进行正态分布等假设,并且对于离群点比较鲁棒。 TRM(y)=(mRM,bRM) with bRM f =ç mediçèmedj¹i yi-yj i-j ;i,j=-m,¼,mö÷ ÷÷ ø and mRM =medi(yi-bRMi; i=-m,¼,m), 对于样本容量是偶数的情况,中位数被定义为最中间两个值的平均值。 4.DeepestRegression(RousseeuwandHubert1999) TDRy= m( D,Rb DR=)argmax m[,brdepth((m,b),y)] 这里回归深度(depth)被定义为: rdepth((m,b),y)=min-m£i£m[min[L+(i),+R(-)iR+(i)+L-i]] with L+i= L+()i=#[ m,b Îj[- m,...,i]:r(jm,b)³0] and R-i=R -(i)=#[jÎ[i+1,...,m]:r(m,b)<0] m,bj 应用这四个回归,我们可以预测窗口中心的水平和斜率。我们更感兴趣的是最近的时间点的水平,也就是时 间窗口的最后,所以我们会研究在线估计(onlineestimates)的水平, monline=m+bm。 我们下面看Chatgpt对于稳健回归优点的描述。 图4:稳健回归优点 资料来源:Chatgpt,中泰证券研究所 4.ICU均线策略 4.1策略开仓条件 策略原理非常简单,当价格上穿