同类产品推荐
Copyright 2022 上海用益金融信息服务有限公司 版权所有 赣公网安备 36010802000155号
专注量化CTA策略
1001201401601802002202401031051071091111131152020-09-072020-09-212020-10-132020-10-272020-11-102020-11-242020-12-082020-12-222021-01-062021-01-202021-02-032021-02-242021-03-102021-03-242021-04-082021-04-222021-05-112021-05-252021-06-082021-06-232021-07-07中信期货商品指数走势中信期货十年期国债期货指数中信期货沪深300股指期货指数中信期货商品指数 2022-07-15 重要提示：本报告难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本报告内容而视相关人员为客户；市场有风险，投资需谨慎。 投资咨询业务资格： 证监许可【2012】669号 商品量化团队 研究员： 魏新照 021-80401773 [email protected] 从业资格号F3084987 投资咨询号Z0016364 中信期货研究|量化CTA 基于商品产业链的日内截面策略研究 摘要： 报告首先对截面动量策略进行了解析。截面动量策略通过多空组合获得收益，盈利来源一方面可以用风险补偿解释，即策略承担了较大风险需要较高收益补偿，另一方面从市场行为偏差角度解释，参与者存在过度自信、心理账户、市场情绪等偏差行为，使得动量有效。而报告研究的国内商品日内截面策略盈利关键在于收益能否弥补交易成本，将从产业链和全品种两个层面进行研究。 从产业链层面来看，各板块和细分呈现出不同的截面特征。板块包含上下游品种回测结果多数呈现动量效应；各个细分板块中，品种之间的替代性越强，反转效应越强，反映出价格之间的带动效应；有色和聚酯板块比较特殊，短周期呈现出反转效应，长周期为动量效应。 从全品种层面来看，简单截面和RSI截面策略均呈现出动量特征。简单截面动量策略根据品种涨跌幅排序进行开仓，会对波动幅度较大品种赋予较大权重，而RSI（相对强弱指标）可以将各个品种涨跌强度进行归一化，通过研究发现，并没有出现大幅优化，但是两种策略不同参数组合曲线在七年的回测期间卡玛比率均超过了1，在无交易成本的情况下，卡玛比率接近3，显示出交易成本对日内策略的较大影响。 通过对日内截面策略的研究，发现国内商品日内截面策略有一定的效果，但是受交易成本影响较大，同时实际操作中需要一定程序化处理。 风险提示：数据处理偏差；策略参数有效性；交易环境变化 报告从产业链层面和全品种层面对截面策略进行了研究，发现更为细分层面截面策略会呈现出反转效应，而板块内和全品种层面上则呈现出动量效应。 报告要点 中信期货专题报告 2 / 61 目 录 摘要： . 1 一、 截面动量策略解析 . 6 （一）截面动量策略介绍 . 6 （二）截面动量策略有效性分析. 6 （三）日内截面策略分析 . 7 二、产业链截面策略 . 8 （一）黑色板块 . 8 1、钢材 . 9 2、双焦 . 13 3、黑色 . 16 （二）有色板块 . 20 专注量化CTA策略 （三）能化板块 . 24 1、塑料 . 25 2、聚酯 . 31 3、能化 . 34 （四）农产品板块 . 37 1、油料 . 38 2、油脂 . 42 3、农产品 . 45 （五）产业链截面策略总结 . 49 三、全品种截面策略 . 50 （一）简单截面动量 . 50 （二）RSI截面动量 . 54 （三）动量组合 . 58 四、截面策略总结 .
基于情绪因子的CTA截面策略
Quant最爱
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者”。
作者：John Hua FANa、Sebastian BINNEWIESb、Sanuri De SILVAa
前言
本文主要研究了情绪因子在商品期货截面策略的应用。文章发现，情绪变化较大的商品的表现比情绪变化较小的商品要好。虽然情绪乐观/悲观的程度也很重要，但与情绪的变化相比，它的预测能力明显较弱。从2010年到2020年，一个基于高与低情绪变化的加权和月度再平衡的多空投资组合每年产生7.2%且统计显著的平均回报。这种naïve策略的夏普比率为0.75，最大跌幅为12.2%，与传统因子相比该因子收益翻了一倍多，风险降低了一半。情绪因子与动量、对冲压力、偏度和基差动量无关，但与基差风险负相关。与时间序列跨越检验一致，截面定价检验进一步表明，情绪因素具有显著的定价能力，超越商品基本面。
我们发现，在紧缩的宏观环境和资金流动性恶化的时期，情绪导致的错误定价最明显，主要来自投资组合的空头。
怎么计算期货情绪？
我们使用Twitter academic API获取了在2009年1月1日至2020年12月31日，所有匹配以下商品名称关键词的推文（如Table 1 Commodity Name），总共近4160,000,000条。
情绪因子策略测试
在每个月的最后一个交易日，我们将28种商品的横截面按∆ 分类，分为两个投资组合，即情绪变动高与情绪变动低。我们不应用任何平滑、缩放或优化来修改信号或资产权重。我们只是在大宗商品的TOP组中持有多头头寸，在BOTTOM组中持有空头头寸。多空组合的权重相等，按月进行再平衡。我们按照相同的逻辑来构造carry、动量、套期压力、偏度、动量和相对基差因子组合。下表给出了策略表现：
不同的tweet构建的情绪因子是否有区别？
如果情绪诱发的错误定价是有影响力的推文的结果，我们预计，当只使用非零转发和/或点赞的推文衡量商品情绪时，比使用所有推文衡量商品情绪时，会观察到更强(或类似)的表现。但是我们观察到，相反的是，有点赞的平均回报率有所下降。当同时考虑转发、点赞使用时，这些策略的回报大多不显著或弱显著。与表3中的主要结果相比，零tweet和非零tweet都不会产生更强的性能。此外，情绪是基于高关注还是低关注的推文来衡量，在统计上并没有差异。总的来说，这些发现表明情绪的预测能力取决于群体的集体智慧，而不是特定的用户群体。这一发现也暗示，至少在横向设置中，高关注用户/推文的定价影响是相当有限的。
不同的情绪计算方法是否有区别？
在上面的测试中使用了Loughran-McDonald sentiment lexicon。如果换一个词性词典结果会不一样吗？下面给出了结果，与其他替代方法相比，金融特定词典在股票定价方面表现良好，词典的选择在捕获大宗商品期货中情绪诱发的错误定价方面至关重要。
【嘉实深度】抓住“危机Alpha”| 量化CTA策略
本文中的信息或所表述的观点并不构成对任何人的投资建议，也没有考虑到接收人特殊的投资目标、财务状况或需求，不应被作为投资决策的依据。载于本文的数据、信息源于市场公开信息或其他本公司认为可信赖的来源，但本公司并不就其准确性或完整性作出明确或隐含的声明或保证。本文转载的第三方报告或资料、信息等，转载内容仅代表该第三方观点，并不代表本公司的立场。本公司不保证本文中观点或陈述不会发生任何变更，在不同时期，本公司可发出与本文所载资料、意见及推测不一致的报告。无论何种情形，本公司不对任何人因使用本文内容所引致的任何损失承担责任。
返回搜狐，查看更多