本系列主要介绍中国期货市场的中低频量化CTA策略,使用5分钟数据进行回测,数据从2010年1月-2020年6月。策略主要基于笔者过去对中低频CTA策略的研究和实盘经历,2016年至今也已经4年时间,日后考虑是否把这部分策略开源,另外还有C++实盘交易程序。本次开篇先介绍研究的框架。
一、数据准备:
目前有如下37个国内期货品种最长从2010年开始的历史5分钟数据:
product.list <- c(&#34;ag&#34;,&#34;au&#34;,&#34;bu&#34;,&#34;cu&#34;,&#34;hc&#34;,&#34;ni&#34;,&#34;rb&#34;,&#34;ru&#34;,&#34;zn&#34;,
&#34;a&#34;,&#34;c&#34;,&#34;cs&#34;,&#34;i&#34;,&#34;j&#34;,&#34;jm&#34;,&#34;jd&#34;,&#34;l&#34;,&#34;m&#34;,&#34;p&#34;,&#34;pp&#34;,&#34;v&#34;,&#34;y&#34;,
&#34;CF&#34;,&#34;FG&#34;,&#34;MA&#34;,&#34;OI&#34;,&#34;RM&#34;,&#34;SR&#34;,&#34;TA&#34;,&#34;ZC&#34;,
&#34;al&#34;,&#34;pb&#34;,&#34;IF&#34;, &#34;IH&#34;, &#34;IC&#34;, &#34;T&#34;, &#34;TF&#34;)对于苹果、硅铁、锰硅、原油等还没加入,伺机可以加入。
使用的是自个合成的5分钟数据,包括盘口挂单量等,省事精准回测。根据成交量确定主力合约。部分换月可能比较特殊一些。
2010年和2020年的郑商所合约本质上同名,为此自个补充成4位的日期,避免重合;另外2010年1-6月的上期数据缺失14:10-14:20的数据是交易所停牌导致,大家可以留意自个的数据看有没有自动填充;TA在某天连续涨停后停牌,因此也缺失一天;沥青早期不活跃也有几天缺失等;其它跟第三方数据比对过基本没什么问题;郑商所每个数据来源都不大一样就没必要强求了。
二、因子计算。
这里选取一台简单的RSI因子:
rsi.5m <- function(wpr,period) {
x <- clean(RSI(wpr,period))/100-0.5
return (x)
}其中RSI来源于R的TTR包,我把他标准化成[-0.5,0.5]之间。这个指标的好处是每个品种的取值范围都差不多,优化参数可以选取同样的范围。这里period=16,16个5分钟K线。
三、回测标准
基本上是对手价+1跳+手续费上浮10%的标准,虽然是5分钟数据,但依然保留了盘口。持仓时间其实并不短,5-10天左右。
另外采取滚动向前回测,4年数据向前约4个月,在每年的春节、端午、国庆几个长假重新优化。其实只有春节和国庆比较长,这是一定需要平仓的;但一台是1、2月,一台是9、10月,相隔时间有8个月,因此中间加了一台端午假期,一般5、6月。这样跟实际更为一致。
各个品种换月前也会分别平仓。
四、基本策略
基本策略比较简单,就是:
- RSI>开仓阈值,做多;
- RSI< -开仓阈值,做空;
- RSI> -平仓阈值,平空;
- RSI< 平仓阈值,平多;
- 其余情况,保持原来的仓位
一般开仓阈值是正数,平仓阈值是负数,一共64组参数。
然后样本内选取符合条件的策略放入样本外,条件为:
夏普比>0.4 且平均利润大于8倍买卖价差 且每年交易次数大于5次
trAIn.good <- which(all.stat$sharpe>0.4 & all.stat$avg.pnl>8 & all.stat$annual.num>5)每次下单是固定金额,最终每个品种是平均分配金额,如果一台品种没有策略入选则没有参与分配金额。
另外,为了防止一台策略开仓后不再加仓,我把交易时间段分成4段,不同时间段触发的开仓信号算独立的策略,这样可以避免策略在同一台时间下单,增加了容量。
五、基本策略回测结果
可以看出这么样的策略历史6、7年回测下来效果是不大行的,但我们也可以发现一些规律:
- 比如2014年初-2015年底一直亏钱,那时候商品处于历史低位,波动很小,可能挂单策略赚钱,我这类策略都是抢单的趋势策略,来回损耗手续费和滑点;
- 2016年开始是商品的大牛市,螺纹钢价格翻了一倍,一直持续到11月份;
- 2016年11月-2017年又是商品CTA的熊市,虽然2017年7、8月有一波雄起,但很快就不行了;
- 20183、8、11月有几波赚钱的行情,但2019整体不大行;
- 到了最近的2020年又成了CTA的牛市;
因此不能因为某个CTA策略最近半年表现好就认为是好策略,很可能拉长7年看是这样的,我这个2020年以来夏普比也有2倍的。
六、策略分析
一共1560个交易日,我把盈亏大于0.1%的挑出来,发现如下规律:
这里面行名有误,应该是0.001到0.01,rise表示净值上升,drop表示净值下降。可以看出。对于盈亏较小的情况,亏损概率高于赚钱概率;但对于盈亏较大的情况,赚钱概率更高;这是每天的净值波动,跟行情有关,行情波动大净值波动就大,因此可以类比行情的波动。所以一台改进思路是过滤掉低波动的行情。
七、ATR过滤
这里使用ATR进行过滤,ATR定义为过去一段时间的波动率,这里也是16个5分钟。波动率这里简单使用区间范围/平均买卖价差,比如股指最小价差0.2,但平均可以0.6,成本就是0.6,所以我们使用0.6。
这是螺纹的ATR取值:
我们简单起见可以把20以下的过滤掉,至于向上是否过滤可以回测看看。一般认为2015年的亏损是由于波动太小,2017年的亏损是由于波动太大。
如果是仅仅春节和国庆每年两次滚动优化,结果如下:
夏普比约0.46,对单因子要求不要太高。可以看出整体或是靠谱的,
如果是春节、端午、国庆每年3次滚动优化,效果好一些:
基本上该亏的亏,该赚的赚,最近也不错,缺点是整体收益率太低。
我们可以改成复利,每年3次调仓机会:
这样稍微好一些,但变化不大,夏普比约0.56。
如果过滤掉高波动,比如atr>50也不下单,那么有:
夏普比0.83,不带杠杆的总收益率25.6%,如果是复利且用5倍杠杆则有:
年化复利收益率为19.44%,整体而言2017年之前盈利,2017年之后不大行。
另外,如果ATR的范围改成[30,60],那么有:
可见,如果把ATR过滤的阈值提高,反而有利于2019之后的行情。
然后把ATR范围是[20,50]以及[30,60]的策略组合起来,得到:
固定仓位:
不加杠杆累计收益率仅有26%,年化复利4%左右。个人自个做其实是可以的,比如30%的仓位,约3倍杠杆,年化复利12%。
每年收益如下:
可见2017年微亏,与现实也相符。每年的夏普比:
其实也不是太高,毕竟单因子中低频策略。它自带了品种选择的功能。以后每个因子都可以按这个套路进行。趋势因子和波动因子可以随意组合。
八、总结
任何策略,只要参数优化的范围足够大和足够细化,总能找到整体表现不错的参数组合。如果满足条件的参数组合占比太低,那么很可能就是噪音,滚动优化的时候效果就会很差。加了ATR过滤之后本质上提升了好策略的比例,这样滚动起来效果也不会差。试想一下,如果100个策略里头全局表现好的只有2、3个,那么滚动起来效果自然不会好。
九、未来展望
本篇只介绍了一台趋势因子和一台波动因子,其实换成其他的组合就可以得到不同的策略,如果每个策略有0.5的夏普比,16个独立无关的汇总起来就有2倍,当然或许很难找到独立无关的,多少都有点相关性,但数目多了总能降低波动,从而提高夏普比。另外也要注意部分策略组合收益率太低,可能要加很高的杠杆才有客观的收益,比如年化收益4%的话要5倍杠杆才有20%。一般中低频策略不加杠杆的收益率都不会很高,特别多品种之后,新来的都是波动低的,会拉低收益,波动高的早就被优先选择了。
这里程序是R写的,也有相应的历史10年数据,有时间了再分享吧。我还有对应的C++交易程序,未来考虑的是这部分是开户入金免费赠送或是说固定收费的模式,还没想好。不要看一台因子表现似乎一般,但其实因子多了自然就好了。这里回测或是比较严谨的,毕竟滚动优化,不是全局一把梭。以后再加上苹果、硅铁、锰硅吧,慢慢完善;另外可以使用动态投资组合优化模型代替目前的普通平均分配。希望整体上夏普比能有2倍吧。
有兴趣可以加微信babyquant,或关注微信公众号babyquantFinance,谢谢! |