交易的艺术：再谈系统性交易
去年底在人民币论坛上和大家汇报分享了我对于系统性交易策略方面的一些思考和体会。转眼2014就快要过去了，在过去的一年里，我从海外回到了香港，算是正式开始做亚洲市场，在这个过程中，得到了太后和许多群友的支持和帮助，我想借着这个机会，给大家分享一下去年提到的几个策略今年的表现。既算是对这几个策略的更新，也应该算是对大家的帮助表达一点小小的谢意。有些概念性的东西，去年已经提到过，我在这里还是要简略提一下，重点更多放在三个不同资产类别策略2014年的更新总结。所有观点都是个人观点，和所供职机构无关，下面开始正题。
首先什么是系统性交易。系统性交易(systematic trading)是和自由交易(discretionary trading)相对应的，指的是使用事前严格定义好的交易规则，交易目标，和风控目标进行执行交易的交易方式。因为有事前严格定义好的交易规则，交易目标和风控目标，就能够对系统性的交易策略进行严格的过往检验（backtesting），从而获得对交易策略未来表现的置信度。
具体的交易规则，既可以是基于技术分析层面（如对于单个，或者多个资产过往价格走势，或相关价格走势的分析）；也可是基于基础分析层面（如对经济数据，期限结构等对于资产价格影响的分析）。最根本的要求，是能够将交易规则程序化，进而进行历史检验。
我想强调一下人的因素。系统性交易在很大程度上减少了人的主观因素。我自己的经验是操作中比较简单，trade进入的时候靠系统的信号，进入的同时已经有了一个既定的退出机制，如果交易的产品流动性没有问题，比较省心。需要指出的是，人的因素依然对于系统性交易起着主导作用。首先，trading idea是人的idea，系统是人设定的；其次，系统不表现的时候怎么办？什么时候需要把系统shut down？最后，多个系统同时上线的时候，相关性如何，相对头寸大小怎么设定，尾部风险怎么管理？所以最后又回到那句话，交易/投资是一门艺术。
接下来我想简单提一下过度拟合的问题。系统性交易过往测试碰到的最大问题，就是过度拟合。交易是艺术，不是数学上求局部或者全局最优。规避过度拟合风险最重要的原则是根据经济意义选择交易策略而不是根据历史数据选择交易策略。在过往检验的过程中，为了规避过度拟合风险，可以采取不同的方法，比如：1. 选择简单系统，减少系统参数；2. 对系统参数进行敏感度测试；3. 选用无参数系统 (选择合理的参数范围，平均配置使用不同的参数交易策略，从而减少交易策略对参数设定的依赖)；4. 样本内/样本外分析，将历史数据分成2部分，用前一部分拟合参数，后一部分用拟合出的参数进行交易模拟；5. Walking forward analysis。比如10年数据，用前5年进行拟合，然后对下个月进行预测，然后每个月不断滚动拟合5年的窗口，进行新的预测；6.对认为可交易的系统进行实时跟踪或者进行paper trade。
在这里插一点自己的小体会：我想系统性交易的思想不应该仅仅局限于系统性交易基金或者交易员。我们既可以用系统性交易作为唯一交易方式（系统性对冲基金）；也可以用系统性交易策略作为日常交易决策的参考；也可以把过往检验作为学习和了解市场的一种工具。
下面进入交易策略部分：去年我提到了三个系统性交易策略，分别覆盖3个完全不同的资产类别：信用，长端利率，波动率。这里我会逐一update。
策略1.信用：
交易品种：iTraxx Crossover 5y CDS index (long only)
iTraxxCrossover是欧洲企业高收益CDS指数，它是由50个高收益企业CDS组合而成，这是可以直接交易并且流动性很好的CDS 指数，形式是一种互换。iTraxx Crossover 5年是指CDS互换的期限是5年，为了保证期限稳定，这个指数每半年roll一次，也就是说每半年有一个新的on the run指数代替旧的on the run指数变成市场的benchmark，新的指数对旧的指数中部分成分进行微调，并且展期从而保证on the run总是维持在5y左右的期限水平上，新的指数具有最好的流动性。
策略思路：高收益信用carry trade （信用溢价+流动性溢价）和很多carry trade一样，本身具有很强的趋势性，策略的基本思路就是做信用carry的趋势，单边做多，辅以退出机制，再辅以一个控制交易次数的变量，控制交易成本。
下图是历史表现截至2014年11月28日（假设无杠杆）
第二个图是XOVER roll adjust 过后的2014价格历史图
模型take long position 进入2014，1月份被EM (阿根廷等国)的sentiment影响，平仓-2%；进入2月重新long直到7月底（乌克兰危机升级，MH17于7月20号被击落），这波趋势上赚了5.67% total return；之后XOVER进入了一个80bp的波动态势，模型自8月底来先后建仓平仓4-5次，total return -1.7%。
模型82%的时间 long risk，18%的时间neutral，交易成本扣除后YtD pnl 总共+1.7%，远输于消极 long only 策略+8.34%，低于2013年+13.45% pnl，实现夏普系数仅为0.40 (低于历史平均1.4左右的水平)。上图是2014系统表现。
策略2.长端利率：
交易品种：10年tier 1 国债期货（美国德国英国）
策略概述：多因素驱动long/short 策略（每月调整头寸）
策略思路：首先从利率风险溢价的角度，长端利率因为久期大，需要利率风险溢价进行补偿，利率期限利差（Term spread）反映的是未来短期利率预期+长端利率风险溢价，在市场条件下可以用于利率风险溢价的近似（很遗憾我们不能直接观测到风险溢价本身）。同时，长端利率又由实际GDP和通胀预期驱动，这就是之前提到价格因素中的周期，可以用领先宏观经济数据近似。再加上其他几个的因素，共同构成这个多因素策略。
先上去年贴过的两个图：
第一个图是截至去年（2013）11月底的历史表现；第二个图是对系统long/short bias的一个简单测试。反映的是对于不同国家10年期国债期货 long 和 short 单独的夏普系数，目的是为了检验交易系统long/short的历史表现稳定性。
因为DM国债在过去20年都有显著的long bias（收益率一路向下），验证模型short的时候也能表现就显得尤其重要。至少从第二个图来看，模型short position的夏普系数和long position的夏普系数在可比的范畴内。下面更新下2014截至11月28日模型表现。
在不考虑FX影响的情况下，这个模型YTD实现capital gain 10.6% (期货每个big figure算一个percent)，高于2013年-1.8% pnl。其中美国+6.0%，德国+10.6%，英国+15.1% （模型整体表现是对三国取平均不考虑FX）。实现高于历史平均的夏普系数2.51 (1.3 历史平均)。模型2014的平均position 分别是: 美国60% long，德国30% long，英国 90% long；三个国家整体的平均position是60% long，换句话说是take 了60% 的long delta position。贴一个position 的图给大家参考，1.0 代表100% long delta， -1.0 代表100% short delta，当数字绝对值大于1时，代表有杠杆。
策略3.波动率：
交易品种：VIX最近端期货
策略概述：long short strategy
策略思路：做多系统性风险（比如卖空OTM 股指期权）在理论上需要得到风险溢价的补偿。大多数情况下股指期权市场隐藏波动率要高于后验股指实现的波动率，这里面隐含着一种风险溢价叫做波动率风险溢价（volatility risk premium）。关于赚取波动率风险溢价一个很典型的交易策略就是vol selling，形式可以有很多种，纯粹的equity vol selling 在2008死得很惨。这里考虑的是怎么能够不仅仅在正常市场条件下赚取波动率风险溢价，并且在市场恐慌的时候能够反向操作获得超额收益。
我用的是VIX期货合约(VIX 指数反映的是标普500股指期权的隐藏波动率)。针对VIX 期货合约而言的，因为在大多数时间VIX 期货的期限结构曲线呈现向上倾斜的态势（contango），那么假设VIX不变，卖出VIX期货就有一个positive carry（converge），这就和构成了这个交易策略第二个风险溢价的来源，叫做期货期限风险溢价。无论是波动率风险溢价还是期货期限风险溢价都不能直接被观测，但是能被观测值近似，这样就能把两种风险溢价和市场观测的价格联动起来。此外，引入价格的因素，将一个本来仅仅做空VIX期货的策略进行调整，使其在适当的时候反向操作，为的是保护资本金和获取超额收益。这个系统有两个参数，贴下去年的图，反映策略对参数选择的敏感度，从图中可以看出，夏普系数对于参数的选择并不是特别敏感（稳定的1.3以上的夏普系数）。
另一张去年的老图，反映的是历史最长损失（maximum length of drawdown）和历史最大损失（maximum drawdown）。上图上半部分是历史最长损失，下半部分是历史最大损失。
下面简单update一下该系统2014表现（截至2014年11月28日）
首先见上图，纵轴是vix future的tick，为简化，每100个tick (一个大figure)，相当于我这里的1% pnl。总体上，该系统实现YTD 资本利得 9.25%，与2013年9.87%大致相同，实现夏普系数0.74 低于历史平均水品。模型在2014年90%的时间short VIX future， 10% 时间long VIX future，short的比例略高于历史平均80%的水平。模型总共flip 到long side 4次，分别是2月初到2月底，四月中到四月底，十月上旬到十月中旬，十月下旬到十月下旬。10月份是模型最active的时候，也取得了最好的表现。
更有意思的可能是+9.25% 资本利得的分配比例。首先请大家看下图，蓝线是roll adjust过后最近月份vix future合约的2014历史走势，橙线是VIX走势。很有意思的是VIX从年初的14.23到11月底的13.33 (-0.90)。
第一个期货合约从年初的14.2（UXF4合约）到11月底的14.84 (UXZ4合约)(+0.64) （这张图上没有）但是roll 调整过后的第一个期货合约从年初的20.61到11月底的14.84 (-5.77) 蓝色线。这里可以很明显的看出这个trading idea的carry component或者是价值端的anchor。除了carry，剩下的pnl来源于主动管理的long VIX position。
之前说到了，整个2014，这个模型总共做了4次long trade，其中有一次赚钱（+7.49）有三次输钱（-2.57，-0.39，-1.99）。这和之前的历史经验吻合，long side trade 成功率低，但是相对回报较大像买彩票一样。具体的2014 pnl 分拆如下：carry （short vix） +8.01%， long vix +2.54%，交易成本 -1.3% (包括每个月期货合约roll over)，和模型构建的思路大致吻合。
做一个简单的总结，讲了这么多不同资产类型的策略，最后要不忘初衷的提几点：
- 所有的交易策略最重要的是有经济意义
- 检验的时候数据至关重要。比如，GDP 数据，对于过往检验，第一次release，第二次release，最后release，时间和数据本身同样重要。处理数据本身是很大的挑战。
- 市场流动性可能会在执行层面带来很多问题，尽量使用流动性好的标的进行测试和交易。
最后，上面讲的都是海外市场，关于中国市场，我也做了不少测试，比如离岸的NDIRS，CCS，比如在岸的Repo IRS等。我的体会是数据的可获得性和可靠程度比较差，还有就是市场流动性对于执行有比较大的挑战。希望大家如果有好的trading idea或者好的数据可以一起分享。
问题1：图1是累计利润？long 着cds有累积利润，因为以一直在widen？
回答：是累计total return 既包括资本利得，也包括coupon carry。
问题2：short 美国10yr 的short的sharpe ratio 高于long？（今年TY涨很多）
回答：这个sharpe ratio 是历史数据，不是今年的。DM 长端利率最大的一个问题就是long bias，如果一个模型是50/50 long /short 历史检验估计不怎么样。这个夏普系数是long的时候和short的时候夏普系数分开看，这个模型本身历史平均50% long delta。或者说是50% long DM 10年期货。
问题3：国债期货的position size怎么确定的，例如uk的+1.7？
回答：这个模型背后是对多因素的回归，size的话根据回归来判断，所以有的时候会出现leverage的情况，比如突然经济数据非常差，模型中可能就会发出很aggresive long的信号，long size 可能超过1。
问题4：能否介绍下三个策略的具体因子（只需要一个大概），第二，决策进入及出场时，用的判别准则是mean revert,或者止损与均值回归的结合，如策略一为何当时直接出场，是人为的shutdown 或是系统自发，第三，第一个long credit risk,与第二个策略long 10yrs treasury future,是否存在正相关，本质逻辑都是bet on 美国的宽松，最后体现在投资者追求高收益，拉长久期（虽然两种风险属性不同，但本质都是为了更高的yield增加风险）,第四、weighting的方法；
回答：这里简单提一下。第一个策略的基础是趋势，其中有一个小edge的因子是控制交易成本的。第二个策略是回归基础的，其中curve的形态是价值因子，宏观经济变量是另一个因子，还有几个因子就不一一说明啦金总。第三个策略上面基本讲到了。至于决策进出的判断，是系统自己发出的。相关性没有测试过。第一个是long risk （long only），第二个可以short 10y duration，长期来看，HY spread和股票正相关，10y ty 和股票负相关。weighting 我没有做过。
问题5：最后一张图蓝色线怎么做的，怎么adjust for roll？
回答：roll adjust 的核心是对不同期限的期货进行处理，如果你用bbg，GFUT 可以给你一个大致的概念，如果要对roll adjust 完全控制，需要手动调整，调整的时候也很简单，比如旧合约价格x 新合约价格y，roll 调整后，generic 合约的价格为y，roll 之前所有合约价格需要上调 y-x。
问题6：rebalance 点是人为判断还是系统如何定rebalance的频率及时点，这本身也是在timing，如何减少这些人为因素？
回答：除了第二个策略以外rebalancing都不是固定的频率，既没有人为因素。之所以第二个策略有rebalancing的问题（每个月一次）是因为模型需要输入宏观经济变量（每月为一个周期），如果你注意，我上面第二个策略rebalancing并不是月末，而是月初第一天，因为我把manufacturing PMI当成一个周期的结束。这里算是有点小小的人为选择吧。
问题7：总结的几条里的第二条，请具体解释一下，gpd 的release timing？
回答：这是很基础也是很重要的问题。有很多经济数据，比如GDP，本身不仅仅滞后，而且还有第一次release，第二次release，第三次release的问题（以美国为例）。有一个错误的概念就是把GDP和资产表现直接比较，从交易角度讲没啥意义，除非你可以预测GDP。再比如，ISM，美国的ISM有revision，比如公布10月ism对9月ism会revise，像NFP一样，使用历史数据的时候，需要用第一次公布的真实数据对应第一次公布的时间。
问题8：关于long credit，是carry trade，多数时间是long，而欧洲今年spread的表现比较好，所以不成问题，但是如果碰到spread放宽的时候，你的系统是如何triger止损的，哪些因素可以triger short trade。同样对于short vix，会设止损吗？
回答：credit 策略是趋势，这个在现券上比较难以实现，CDS 指数是一个很好的工具，spread 放宽，当模型定义的趋势被打破，既止损。这是趋势策略比均值回归总体上来好的地方，因为市场against你的时候你总是自然的止损了。比如08年，long only -16.86% ，这个模型+1.68%，比如11年，long only -3.37%，这个模型是+0.92%，更重要的是夏普ratio会比long only好很多。第三个模型基本也是自然止损，比如10月份，ebola，模型直接从short就变成long了。
问题9：影响你建立长债的头寸的input具体是哪些指标？
回答：两个因子免费赠送，哈哈。回归基础的，其中curve的形态是价值因子，宏观经济变量是另一个因子，还有几个因子就不一一说明了。
问题10：目前美国经济数据很好，你的系统给出的信号是什么样的？
回答：12月1号update后，模型美债头寸0.4 long，但是12月总体不表现，因为净头寸在short上。目前头寸，美债 +0.4，德国 -0.9 （。。。），英国 -0.4。（完）
（来源：人民币交易与研究）
交易技术, 交易策略
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
