CTA金点子系列之二：基于日内高频博弈信息的商品CTA策略

-- CTA截面策略的新方法 CTA策略在2021年和2022年表现较好，但2023年，传统CTA策略收益有一定下滑，宏观干扰和纯资金驱动的摩擦与波动率走低对策略影响较大，部分长周期基本面因子效果逐渐变差，常见的趋势类策略也面临一定的拥挤困境。传统投资策略在信息获取和执行效率上逐渐显露出瓶颈，而高频交易信息的挖掘为投资者提供了全新的思路。本篇报告是CTA金点子系列的第二篇，我们对商品期货日内高频交易信息进行挖掘和特征提炼，探索了高频信息在截面策略上的应用。 商品期货市场高频数据的特征 高频快照数据包含了大量的细节信息，商品市场的数据包含了时间、交易量、价格、买卖盘情况等主要交易信息。区别于普通的快照数据，商品市场的快照数据有两个明显特征：第一，快照间隔理论为500ms，各交易所记录数据有略微差异；其次，每个品种每天的快照数据量也有所波动。交易规则的变化也对高频数据影响较大，需要区分不同规则下数据记录的特点，集合竞价的处理有所不同。 高频信息的因子挖掘 我们拆分了三个维度和五个核心因子，分别是买入意愿、流动性溢价、大单影响力、价格拐点和日内动量反转，对每个因子进行了IC测试和分位数组合测试，评估了因子的有效性和稳定性，通过对因子等权合成，合成因子IC值3.85%,T值6.84，合成因子的多空分位数组合年化收益率24.48%，最大回撤11.40%，净值曲线增长平稳。我们还额外讨论了因子相关性与因子衰减。 CTA截面稳健策略构建 基于风险分散的原则，我们可根据合成因子每日进行品种挑选，选择交易表现最好的品种进行做多，选择交易表现最差的品种进行做空，每一期持仓全市场品种可以从10%至100%，严格控制多空资金分配为1：1下，总体持仓风险小。当持有全市场组合时风险最低。 每个交易日我们计算当日日内特征的合成因子，通过因子排序选择交易表现最好的50%的品种进行做多，选择交易表现最差的50%的品种进行做空，每一期持仓全市场品种100%，不设置杠杆。因子的换手率缓冲设置为20%在没有杠杆设置的水平下，策略年化收益率为7.84%，夏普比率为1.08,卡玛比率为0.99，对比全市场等权多头和等权空头，策略优势明显，净值增长平稳。策略的双边换手率为52%，换手也同时得到有效控制。 分年度看，对比市场等权多头持仓和空头持仓，商品截面稳健策略在市场上行、下行和波动的不同区间均有较好表现，策略依赖于日内的交易信息和特征，不依赖整体市场的涨跌方向，对传统的时序趋势和反转策略是一个良好的补充。 风险提示 以上结果通过历史数据统计、建模和测算完成，历史规律未来可能存在失效。 内容目录 一、CTA截面策略的新方法4 二、商品期货市场高频数据的特征4 三、高频信息的因子挖掘5 3.1日内特征的构建与策略原理5 3.2因子测试方法5 3.3买入意愿因子6 3.4流动性溢价因子7 3.5大单影响力因子7 3.6价格拐点因子8 3.7日内动量反转因子9 3.8因子合成与因子衰减9 四、商品截面稳健策略构建11 4.1策略测试11 4.2策略构建与策略表现13 五、总结15 风险提示15 图表目录 图表1：交易规则区别梳理4 图表2：三个维度五个核心因子5 图表3：买入意愿因子IC测试6 图表4：买入意愿因子分位数组合净值7 图表5：买入意愿因子分位数组合年化收益率7 图表6：流动性溢价因子IC7 图表7：流动性溢价因子分位数组合净值7 图表8：流动性溢价因子分位数组合年化收益率7 图表9：大单影响力因子IC8 图表10：大单影响力因子分位数组合净值8 图表11：大单影响力因子分位数组合年化收益率8 图表12：价格拐点因子IC8 图表13：价格拐点因子分位数组合净值9 图表14：价格拐点因子分位数组合年化收益率9 图表15：日内动量反转因子IC测试9 图表16：日内动量反转因子分位数组合净值9 图表17：日内动量反转因子分位数组合年化收益率9 图表18：各因子sperman相关系数10 图表19：各因子多空分位数组合净值曲线10 图表20：合成因子IC测试（日频）10 图表21：合成因子分位数组合净值10 图表22：合成因子分位数组合年化收益率10 图表23：合成因子多空收益净值11 图表24：细分因子与合成因子IC衰减11 图表25：策略回测条件设置11 图表26：不同持仓比例下的策略指标12 图表27：不同手续费下持仓50%策略指标12 图表28：每一期50%持仓下各换手缓冲比率的策略表现指标12 图表29：25%缓换手冲下策略的收益表现13 图表30：策略回测净值曲线13 图表31：隔日开盘价成交策略指标14 图表32：策略指标14 图表33：策略的年度收益与市场等权组合年度收益14 一、CTA截面策略的新方法 CTA策略在2021年和2022年表现较好，但2023年，传统CTA策略收益有一定下滑，宏观干扰和纯资金驱动的摩擦与波动率走低对策略影响较大，部分长周期基本面因子效果逐渐变差，常见的趋势类策略也面临一定的拥挤困境。 传统投资策略在信息获取和执行效率上逐渐显露出瓶颈，而高频交易信息的挖掘为投资者提供了全新的思路。本篇报告是CTA金点子系列的第二篇，我们对商品期货日内高频交易信息进行挖掘和特征提炼，探索了高频信息在截面策略上的应用。 二、商品期货市场高频数据的特征 交易所 品种 夜盘交易时间 日盘交易时间 集合竞价申报（可报撤单） 夜盘交易时间集合竞价撮合(该时段不能报 撤单) 连续竞价 夜盘未成交申报单可取消 不可进行任何操作 连续竞价 郑州商品交易所 白糖、棉花、棉纱、甲醇、PTA、动力煤、玻璃、菜籽油、菜粕、短纤、 纯碱 20:55-20:59 20:59-21:00 21:00-23:00 8:55-8:59 8:59-9:00 9:00-10:15 10:30-11:3013:30-15:00 大连商品交易所 棕榈油、焦炭、焦煤、铁矿石、线型低密度聚乙烯、聚氯乙烯、聚丙烯、乙二醇、玉米、玉米淀粉、豆粕、豆油、豆一、豆二、粳米、苯乙烯、液 化石油气 20:55-20:59 20:59-21:00 21:00-23:00 8:55-8:59 8:59-9:00 9:00-10:15 10:30-11:3013:30-15:00 图表1：交易规则区别梳理 高频快照数据包含了大量的细节信息，商品市场的数据包含了时间、交易量、价格、买卖盘情况等主要交易信息。区别于普通的快照数据，商品市场的快照数据有两个明显特征：第一，快照间隔理论为500ms，但只有上期所和上能所的快照时点严格遵守500毫秒的间隔，并在整秒处进行记录（例如21:00:01：500ms，21:00:02：0ms），郑商所没有明确的快照间隔记录信息，大商所的快照间隔为非整数间隔；其次，每个品种每天的快照数据量也有所波动。影响数据量的具体因素有两点：1）市场的活跃程度差异会导致快照数据量的不同。部分流动性较差商品没有任何交易数据时不会触发快照数据返回，导致记录差异；2）交易时间的不同也会影响数据量的多少，夜盘交易品种交易时间明显长于仅日盘交易的品种。 交易规则的变化也对高频数据影响较大，需要区分不同规则下数据记录的特点，集合竞价的处理有所不同。自2023年5月26日起，上期所、上期能源和大商所对于开设连续交易 的品种（夜盘品种），在日盘开盘前5分钟（即8:55至9:00）增加集合竞价环节，其中指令申报时间为8:55至8:59；撮合成交时间为8:59至9:00，夜盘未成交申报单自动参与日盘集合竞价。郑商所对于夜盘品种增加“夜盘交易中的未成交申报单，可以在同一交易日上午8:55至8:59之间取消”的规定。 交易所 品种 夜盘交易时间 日盘交易时间 集合竞价申报（可报撤单） 夜盘交易时间集合竞价撮合(该时段不能报 撤单) 连续竞价 夜盘未成交申报单可取消 不可进行任何操作 连续竞价 上海期货交易所 黄金、白银铜、铝、锌、铅、镍、锡、不锈钢天然橡胶、螺纹钢、热轧卷板、燃料油、石油沥 青、纸浆 20:55-20:59 20:59-21:00 21:00-2:3021:00-1:00 21:00-23:00 上海国际能源交易中心 原油、国际铜20号胶、低硫燃料 油 20:55-20:59 20:59-21:00 21:00-2:3021:00-1:00 21:00-23:00 来源：郑州商品交易所，大连商品交易所，上海期货交易所，上海期货交易所，上海国际能源交易中心，国金证券研究所 三、高频信息的因子挖掘 3.1日内特征的构建与策略原理 高频数据中，及时的买卖双方的信息与价格成交信息都蕴含了很多交易内容，为了利用好这些信息从而得到有效的交易信号，我们拆分了三个维度和五个核心因子去描述商品日内的交易特征。 图表2：三个维度五个核心因子 来源：国金证券研究所 商品市场的多空便利为策略构建带来了更多的可能性，截面策略目标下构建的因子本身对单品种行情涨跌可能没有指向性，但是我们希望交易信息更优的品种能够获取相对收益，当持仓足够分散，相对收益明显，截面策略或能获取持续稳定的alpha收益。 3.2因子测试方法 为了评估选股因子的有效性，我们采用因子IC测试和构建分位数组合的方法进行研究。因子IC测试主要研究因子取值与下一期收益率的相关性。其中，Rank表示计算变量排序， 𝑋𝑡,�表示因子取值，𝑟𝑡+1,�表示下一期股票的收益率。IC的绝对值越高，因子的下期收益率的预测能力越强。 𝑅𝑎𝑛𝑘𝐼𝐶�=𝑐𝑜𝑟�(𝑅𝑎𝑛𝑘(𝑋𝑡,𝑚),𝑅𝑎𝑛𝑘(𝑟𝑡+1,𝑚)) 对于分位数组合测试，我们按照因子值从高到低，将商品分为5组，分别等权构建Top组 合至Bottom组合，做多组合Top同时做空组合Bottom，得到多空组合（L-S组合），通过该组合的表现来衡量因子的预测能力。回测频率为日频，回测时间区间为2018年1月1 日至2023年5月31日。 测试价格方面，我们使用的是各商品主力的后复权价，在确定主力合约时，我们使用成交量达到最大的合约作为主力合约，并且主力合约不会向前回切。 close𝑜𝑙𝑑,� 𝐴𝑑𝑗�=𝐴𝑑𝑗𝑖−1∗close 𝑛𝑒𝑤,� close𝑛𝑒𝑤,𝑡+1∗𝐴𝑑𝑗� 𝑅𝑡+1=close 𝑜𝑙𝑑,� −1 ∗𝐴𝑑𝑗𝑖−1 close𝑛𝑒𝑤,𝑡+1 =−1 close𝑛𝑒𝑤,� 其中，𝐴𝑑�表示复权因子，close代表期货收盘价，t代表主力切换时间，𝑅𝑡+1代表由期货收盘价计算的日收益率，从公式可以看出，后复权处理价格后，策略的收益率等于实际发生收益率。后复权时我们使用的基期日期为2010年1月1日，若品种上市时间晚于2010年，以上市日期为基准日期。 值得注意的是，为了保证截面策略交易特征提取的相互可比性，我们会剔除流动性过差而快照数据过少的品种。 3.3买入意愿因子 快照数据能够看出每一个快照瞬间的挂单细节，买一和卖一作为还未成交的挂单，如果买单持续多于卖单，代表买入的意愿更强，反之亦然。在这个因子中，我们用买单多于卖单的快照记录除以总快照记录，它代表在一天的交易时间中，买单多于卖单的时间所占的比例，该比例越大，说明市场对该品种买入意愿越强烈，而该品种后市相对优势的可能性就越大。 𝑏𝑢𝑦_𝑠𝑒𝑙�= count𝑏𝑢𝑦>𝑠𝑒𝑙� 𝑐𝑜𝑢𝑛� 𝑎𝑙� 其中𝑏𝑢𝑦_𝑠𝑒𝑙�为买入意愿因子，count𝑏𝑢𝑦>𝑠𝑒𝑙�是一个交易日内快照瞬间买一大于卖一的总快照数量，𝑐𝑜𝑢𝑛𝑡𝑎𝑙�是一个交易日内的所有快照数量。从测试结果看，整体上t值显著，并且因子排序的方向与因子构建的本身逻辑相符合。 买入意愿因子IC值相对不高，但对于截面的多空策略来说，分位数组合单调性和多空收益的稳定性也是非常重要的维度。买入意愿因子