大家好，我是银河期货的股指期货研究员，我叫李恩现，今天很高兴能受到中国金融期货交易所和期乐会的邀请，参与到这次的期乐会线上微分享活动当中，今天为大家带来的是一场关于《股指期货量化策略指南》的主题分享，下面我们来进入正题：
01 股指期货量化交易策略
首先，我来给大家介绍一些市场上比较常见的股指期货能够参与的量化交易策略，图上顺时针来看，有阿尔法策略，现货替代策略，Smart beta策略，打新策略，加减仓策略，择时套保策略等，由于时间关系，今天可能没有办法为大家面面俱到的介绍每一种策略，只能给大家一个简单的框架性介绍，我们首先来看一下阿尔法策略：
阿尔法策略是目前市场上应用比较广泛的一种策略，也叫市场中性策略，顾名思义，我们通过阿尔法因子来构建多头的股票组合，然后用股指期货作为空头来对冲掉整个股票组合的beta风险，最终实现零beta暴露的目的。
阿尔法策略的优点在于无论市场处于一种什么样的状态之中，上涨也好，下跌也好，震荡也好，只要我能选取到有效的因子组合，就可以获得中长期较稳定的收益，难点在于该组合要求基金经理能对因子的选择，股票权重的配比等都有比较高的认识，所以说阿尔法策略既有优点也有挑战。
我列举了两种组合构建的例子来给大家做一个展示。
第一个例子是用计算IC值来构建股票组合，IC值是通过我在市场的所有历史时期中，选取T时刻的所有市场的因子的因子值，然后与T+1时刻市场的回报率做拟合回归，或者计算相关系数，这个例子是以相关系数来给大家做一个展示，这里我选取了六个因子，分别是现金营收比，流动比率，负债率，EP值（PE倒数），净资产增长率和ROE，截止到目前为止，蓝线是走的最高的线，它说明当前情况下，哪个因子对市场未来的走向有比较强的有效性和预测性，指示效应，从图中能看出来，蓝色线目前是走得最高的，是ROE线，这就说明整个市场呈现出一种ROE追逐的状态，T时刻ROE值越高的那些股票，在T+1时刻的预期收益率是越高的。
但不会一直是这样，很明显的一个分界点在图中可以看出来，是15年，在股灾的前后，市场对ROE因子的态度发生了一个比较大的转变，股灾之前，ROE逐渐走低，在牛市的时候，市场是走出一种ROE抛弃的态度，15年是一个流动性的流失，市场开始的时候，一些权重股，蓝筹股仍在上涨，涨的最凶的是那些小市值的股票，像创业板和中小板的股票，涨势十分明显，随着市场的上涨，市场整体呈现出一种ROE抛弃的态度，所以从IC值的计算上我们能非常明显地看出市场的变动趋势，与之类似的就是EP值（PE的倒数），也是以15年年中，股灾前后作为一个明显的分界点，就说明15年前后，市场发生了一次比较大的转变，从之前比较追逐的行情逐渐过渡到现金高分红低PE的市场风格中。
我们看绿色这条线，是流动比率，13年的时候中国的市场上闹了一次钱荒，那个时候利率涨的非常之高，市场对流动比率看的是最重的，市场不会太在意企业盈利怎么样，财报怎么样，它主要看的是现金流量，所以那个时间段，绿线是正相关性最高的。还有比较低的红线，基本上这些年一直都在负值左右，红线是负债比，就体现出当前市场随着宏观杠杆率的提升，对于高负债高杠杆的资产是一种抛弃态势，和它们是一种负相关的关系，所以我们把IC值计算出来的话就可以计算我们股票池中每个股票的得分，然后从高往低排列，然后找出得分较高的那些股票，依据就是IC值的正负，IC值越高就说明正值的一些因子放入的越多，负值就说明放入的因子越少，整体上是一种趋利避害的原则来构建股票组合，然后用股指期货对冲之后，大概率能获得一个中长期的比较稳定的收益。
另一种方法是用计算IR值的方式来构建股票组合，IR值和IC值的算法其实非常相似，不同之处在于IR值要利用IC值的多周期均值来除以标准差，相当于IC值的稳定加强版，因为它不仅考虑了未来对因子阿尔法的获取能力，还考虑到了获取能力的稳定性，越稳定的因子我给予的评分越高，最终我选择股票组合中的权重也就越高，IR值的计算处于一种比较高的维度，因为涉及的因子众多，这样的话我们公式中的标准差就不能是一个简单的平方差而是一个矩阵相乘的形式。但很多情况下，现实情况并不满足于公式中的数值要求，这个就没有办法了，如果现实情况满足要求的话，我们能够求出的IR值是比IC值更好的，因为IR值考虑到了因子的稳定性在里面。
刚才我们说了多因子多头组合的两种构建方式，就是计算IC值以及IR值的方式，但是我们仅仅用了多因子算法构建我们股票的多头组合，而不用股指期货来对冲的话，这样的话会有一些风险和局限性，这张图中就十分明显，我用周度的IC值来拟合出这个线形图，同样是取刚才的六个因子，但是我们看一旦把周期缩短之后，其实中国市场A股的稳定性是很低的，基本上是找不到一个中长期持续正值或是负值的因子作为一个稳定的阿尔法获取的能力，这里面的因素有很多，可能是因子的过度挖掘，交易拥挤，散户占比较多等原因，这样就带来一个比较困难的现象，比如说一个比较大的基金，他们在成立的时候也会计算IC值，但是选出一个中长期表现比较好的因子进入到组合之中，却没有办法保证在我们建仓之后的很短时间内，就能走出我们所预期的逻辑，给我们一个比较好的正向回馈，这是没法保证的，没法保证这件事情的话，很多基金都是一年一评价的，半年都不按照逻辑走的话，那么一年下来整体的评分会比较低，反过来说及时第二年走出了我们预想中的逻辑，但是你的评分也比较低，大家也不看好你，也没有了太多的意义。所以这些就是我们单纯的从多因子多头构建组合的局限性，它的因子稳定性是不强的。
这是我写的一个比较简单的回撤例子，是用三个因子，包括我们刚才看到的现阶段市场正向回报最高的ROE因子，也包括盈利增长率，用RSI因子做一个折值，我们能看到是从18年年初到19年年中，股市的表现也是较为平常，18年的时候市场是一种逐级下降的态势，多头组合大部分时候也是跌的，但是总体来看能比市场抗跌一点，19年1季度市场有一波小型的放水，所以有一波短暂的反弹，但是由于我们没有用股指期货进行对冲，即使我们的股票组合比市场抗跌，但最后我们的净值还是负的，很多买卖你们公司基金的人并不考虑这种情况，他们就会单纯的认为你的基金不好，所以就导致在国内市场做这种多头的股票组合并不是太好做的情况。
但是当我们把这种多因子策略和股指期货策略结合到一起使用的话，它的效果就会有一个大幅的改善，这两张图是我同样选取之前的几个因子，上图是我没有用股指期货去对冲，下图是我们用中证500股指期货对冲之后整个组合的净值走势，虽然这也是一个比较不错的策略，但是在某些市场中还是会出现比较大的回撤，即使因子选的好，由于估值的波动对于市场的影响会远远大于基本面的影响，如果不对冲的话，即使因子找的很好，也会受到大幅度净值波动的影响。但是我们对冲之后，虽然最优组合的净值还是不如不对冲的组合的最高点，但整个组合的走势的稳定性的收益和回撤还有风险回报比都有非常明显的提升，所以我们选择基金的时候都会倾向于每年有稳定盈利的基金，在这个市场上赚钱并不是最难的，最难的是持续赚钱。从这种角度来讲用股指期货去对冲是实现这一目的的最好途径。
我们讲完了多因子选股和股指期货结合的策略就来做一个小结，这个策略的优点在于市场容量非常大，市场上所有的多头组合策略搭配上股指期货对冲之后都可以变成市场中性策略，策略的转换成本是非常低的，因为股指期货的交易成本是比较低的，优点在于收益稳定，在震荡市场和熊市的时候表现更为突出，难点在于策略表现与因子选择及权重配比是高度相关的，这也是考验基金经理水平的一个要素。
Smart beta策略，我们刚才讲的多因子策略相当于我们的主动出击，去市场寻找能够让我们的获得超额收益的因子的配比，Smart beta策略就是一种偏被动的策略，来帮助我们获得阿尔法因子，我们不选择股票，我们只是调整股票配比的权重，这几大股指期货指数目前是按照市值流通来进行配比的，我们可以改变权重配比，以上证50为例，我列举了四种方式来改变市场以中证公司以自由流通市值来做权重配比的方式，首先是绿色的这个equal weight，是一种等权的方式，比如说我们手中有50支股票，我们都买2%，加在一起是100%，第二个是min variance，就是我们所说的最小方差，股票和股票之间有的是正相关，有的是负相关，当他们构成组合之后，组合的方差要比单独购买一种股票的风险要小，有一种风险对冲的概念，我们把50支股票按照这种方式重新进行权重对比，使它们整体的组合风险降到最低，第三个是risk parity，也就是风险平价组合，它要保证组合里的每种资产对整体组合的风险承担比例是一样的，股票之间是有相关性的，这种组合方式的走势与绿线比较相似，但还是有所不同的。最后一个组合是max diversification组合，图中黄线部分，最大分散化理论，首先假设我们的组合没有分散风险的功效，就相当于我们把手中股票的风险叠加到一起，但实际上是有一个风险分散的效果的，相当于风险追逐的理念在，图中表现也比较明显，在15年股灾前后，黄线走的是最高的，市场整体呈现出一种风险追逐的态势，但15年之后市场整体是一个下跌趋势，我们能看到黄线的走势比上证50自身的走势还低，这种趋势还在持续当中。
我们可以把这50支股票进行优选，相当于多因子组合和Smart beta组合还有股指期货对冲三个策略相结合，我们的策略表现会有一个更进一步的提升，我们可以利用多因子组合选取部分股票，来优选上证50组合里的股票，然后再用Smart beta做一个权重配比，最后再与股指期货进行对冲，这样的效果也就更好，图中的表现也能看出来，空白地方的差值就代表权益，策略的整体表现有一个进一步的提升。
我们市场部的同事为我们找到了一个真实的例子，也是一个指数增强的基金收益，我们从图形的走势上来看和我们之前的策略组合的走势其实是一样的，所以说单一的指数增仓策略在市场上还是具备存在意义的，具有一定的生存空间，可以作为我们主策略的辅助策略，或者作为一个增强型的策略来加入到我们的投资组合之中。
我们做一个小结，用Smart beta策略来重新配置投资组合的权重，再与股指期货进行对冲，它的优点是市场需求较大，市场对这种指数增强型的资金的需求是一个持续增长的状态，策略的构建成本低，杠杆效应导致股指期货的成本较低，但中长期收益比较稳定，难点在于权重配比的方式会导致策略回报的差异，因为市场风格已经从风险追逐转变为价值回归的态势，如果权重的配比还是在追求高风险的话，那么收益的回报可能就不如其他权重配比的方式。
下面我们来讲一下股指期货可以做的另一种策略，择时对冲策略，我们都知道当我们用股指期货来做对冲的话并不是随时随地都想来对冲，在市场上涨的时候我们的想法是少对冲甚至是不对冲，去拥抱市场的收益，而在市场下跌的时候要多对冲甚至是超额对冲，如果说我们能比较精准的做到这一点，就说明我们的组合的整体表现会有一个实质性的提升，但这个要求我们对股指期货的开仓平仓等操作有一个非常明显的感觉，所以说市场上绝大部分择时策略还是以技术流为主，基本面的反应太慢了，所以完全依靠基本面影响的话它的延时性太大了，所以基本上还是以基金面或是技术面为主，没有一个特别强的理论基础，从经验主义来讲，激励学习算是经验主义的集大成者，还有理论化的感悟。
择时上我们是否会纯主观的判断，没有任何依据呢，我们可以从另一个角度来实现这种量化的度量，可以用波动率作为择时策略的一个指标，我们回测了历史波动率的幅度，红点是我们在T时刻的预测，是一个最好的波动率的预期值，如果说我们把我们的投资组合的波动率设定为6%，我们未来的预期波动率是20%，我们整体的多头仓位就会下降到30%，使我们整体持仓的波动率稳定在6%，这就相当于变相的实现了减仓策略，这是一个量化的减仓策略，市场大涨的时候，随着市场上涨我们也相当于变相的减仓，波动率在上涨，相当于一个止盈策略，反过来如果市场上大幅度下跌，这个时候我们也是在逐步减仓，相当于一个止损策略，我们以波动率的控制来作为一个阈值来进行择时，可以使我们整个策略的波动率维持在一个比较好的幅度之中。
我们来看一个具体的策略，绿线是从11年到现在整体的一个持仓的累计收益率，虽然并不是很高，但是优点是比较稳定，目标波动率在6%的情况下，年收益率维持在10%左右，但是整体的风险回报比是比较优秀的，回撤也比较小，收益率有所保证，回避掉了市场大幅下跌的行情，有一个比较稳定的收益，这种控制波动或者说控制裸多头仓位的方法也是以股指期货作为主要品种，也就是说我们选择股票的时候会选择一个表现较强可以长期持有的股票，基本面非常优秀的股票，这样的话我们择时就不一定非要把股票的仓位减仓，以股指期货来做的话我们可以获得分红这样一个预期的收益，用股指期货来做择时策略可能是一个更优的解法。
它有现货替代的功能，现在无论是A股市场还是海外市场，我们想要战胜市场已经不是一个非常容易的事情，我们想战胜上证50或者沪深50指数从现实来讲是一个非常不容易的事情，在一定程度上我们有一个跟踪指数的需求在，这样的情况下大部分投资者都会选择购买ETF，实际上来说还不如购买股指期货，股指期货的优势在于它是保证金交易，有杠杆效应，我们可以留出一定的资金，预留出一部分仓位，剩下的仓位我们可以投资到其他的策略组合中，比如固定收益或者一些现金产品中，使得我们整体的收益率有一个增强的效果，所以购买股指期货是要优于购买ETF的。
股指期货策略的另一个功能是可以快速加减仓，金融市场是一个波动率聚集的市场，大涨就会连着大涨，大跌就会连着大跌，所以在市场行情比较好的时候，一些基金的申购就会比较多，大家都一拥而至，来进行申购，这样的话一些预期标的可能不会那么合意，或者比较贵，还不想买，这个时候就相当于冲击成本比较高，我们可以用股指期货来作为一种变相加仓的工具，在市场暴跌的时候，基金面临一种大量的赎回，我们想卖也卖不掉，我们也是可以用股指期货做空的，我们在股指期货市场中开空头减仓，然后等待股票的流动性恢复的时候，再把股指期货的仓位平掉，然后再把股票卖掉，实现减仓，这个做法的好处是我们能实现仓位的灵活调控，更不需要等市场流动性恢复的时候再进行反馈。在市场整体流动性下跌的时候，我们的净值很难不受到影响。
02 股指期货运用从多因子到机器学习
我们知道随着现在市场上交易团队的增多，像阿尔法策略和趋势跟踪策略等等这些策略，都已经开始逐渐向人工智能转变，这期间考虑的因素有很多，例如我们之前说过的因子有效性不足，因子挖掘越来越困难，风险收益比越来越不划算等等，所以目前也相当于市场和量化团队自发的一个调整，从传统的模型向未来的机器学习模型来转变。
图中的流程是两者的不同之处，机器学习主要分为两大派，目前主要是以频率派为主，做一个大致的拟合流程，以概率图为主的流派与频率派有一个截然不同的拟合过程，这里只是给大家一个比较简明的对比，与传统量化交易寻找多因子模型，事件驱动模型，从主观和客观相结合的角度来构建一个阿尔法对冲模型，机器学习是从一个截然不同的方向来考虑，从历史行情或是经验主义出发，更多的注意力是放在模型的拟合和优化上，两者之间是有一个非常大的不同的。
我们市场部找了一个市场上真实的例子，一个人工智能团队对外宣传的例子，这个例子好的方面是非常明显的对比了量化人工智能与传统多因子的不同点，首先是因子超过了3000个，因子的涵盖率很高，人工智能算法确实有更强的因子承载力，它的鲁棒性更强，预测效果更好，逻辑链包括马尔科夫链有长达1000万次，连接数10万次一个数量级等等，可以非常鲜明的对比来两者的不同点，不好的点在于这个例子太极端了，它主要的目的是为了宣传，我们熟悉机器学习的人知道不是说因子越多越好，因子越多会有一个维度灾难，维度越高就说明数据越稀疏，对于算例要求也更大，逻辑链越长，对整个算例的压力也就越强，马尔科夫模型有一个很强的假设就是条件独立性假设，更多的时候我们可能会用一阶或是二阶的马氏链来代替整个模型的拟合，实际上这是一个非常强的假设，但是实际上是为了在最短的时间抓住市场的逻辑，相当于我们为了计算的简洁性而让渡了我们模型的复杂程度，它的根本目的还是为了简便运算，而不是说为了逻辑链的长度，为了运算次数的增强来把模型做得复杂，这个例子其实有一些本末倒置了，这里给大家一个对比就是说量化人工智能和传统多因子选择策略的构建都有一个很大的区别。
这里给大家简单展示一下我自己做的拟合的两个例子，第一个是Logistic回归，这个例子是股指期货和机器学习相结合的模式构建出来的，虽然是叫回归，但实际上是一个分类算法，是属于线性分类中软分类的判别式模型，它的优点在于不同于其他模型以预测市场涨跌为主，只会呈现出一个越阶性的函数值，那金融市场来说，其他模型只能预测金融市场涨或是跌，但是这结果对于我们来说还是太粗糙了，涨跌的具体幅度并没有体现出来，这些内容老的模型都没有办法给我们做一个更加细致的呈现，Logistic模型的优点就在于0和1的越阶式模型输出之后又加上了一个非线性拟合，把越阶式函数变成了一个平滑的曲线，这种曲线在自然界也是比较常见的，对金融市场来说也不是在市场上涨之后就会180度调头下跌，这种概率还是比较小的，一般都是市场上涨之后，动量减小，变成震荡盘整我们比较熟悉的市场走势，然后再慢慢转为下跌，市场会更接近于这种曲线所展现的行情的演绎，从这个角度来讲是更符合实际的，就相当于把线性的输出转化为一个概率值，这样的好处是给了我们更多的模型细化空间，比如说这个函数是以0.5为分界点的，0.5以上都会输出一个上涨的指示，但是有这个概率值之后我们就可以把模型做得更细，就比如说做到0.9或是0.6，这个差别就很大了，0.9就是根据以往的总结模型认为接下来市场上涨的概率在90%，下跌的概率在10%，市场就会呈现出一个比较积极的后市演绎，0.6的话虽然也会输出一个上涨的指示，但只有60%的概率上涨，还有40%的概率下跌，这个概率就比较接近，这种情况市场就会呈现出一个盘整或是没有很强指示性的行情，这样的话就说明我们的模型有很大的优化空间，可以以75%或是更高的概率作为一个阈值，来进行开仓或是平仓的信号，以我的模型来说，就是用股指期货套利模型加上Logistic模型做的拟合，年化率是12%左右，这个年化率在套利模型中已经算是比较高的了，但是它的优点在于比较稳定，最高的回撤也仅仅只有2.7%，与现货指数相比是有一个大大的增强的，所以说以股指期货和机器学习为基础的算法相结合，可以起到非常好的效果。
另外一套算法是SVM算法，SVM算法是业界比较普遍的一种算法，在神经网络的BP算法，现在的深度学习的一个底层算法之前，SVM算法是业界应用最广泛的一个算法，它既可以用作回归问题，也可以用作分类问题，它的优点在于不像其他算法最终的输出值回合最初的选取值有一定的相关性，其他的算法在结果上都有一定的随机性，传统的算法在样本小的时候可能还看不出太大的随机性，随着样本的增强它的能力会有一个肉眼可见的下降，SVM算法的好处就在于又加入了一个约束项，它不仅要求你分类正确，还要求资质向量到分类超频面的点是最短距离，实际上在算起来的时候会更麻烦，从这个模型的复杂程度和理论基础就能看出来它要比其他的模型要更严谨，所以它在具体的能力上有非常强的保证，更重要的是SVM算法只需要计算一遍，资质向量的函数就会出来，后加入进来的样本以拟合的资质函数进来是没有影响的，而其他的算法任何模型加入进来都要重新计算一边，我们的线性概率和条件概率都要更改，从这个角度来讲SVM算法也就更简洁更加节省算力。
最后，我们来做一个总结，我们利用传统的多因子算法，择时算法来与股指期货相结合，可以降低投资周期的波动，减小回撤，提高胜率，稳定收益；用股指期货来做单一的策略，像现货替代策略和加减仓策略等等，我们也可以利用股指期货的高杠杆和流动性的优势，构建一个加强型的策略，也是一个比较好的利用，面向未来的话，我们可以将股指期货和机器学习算法相结合，相当于同时利用了股指期货的成本与机器学习的前沿理论模型在算法上的优势，从而获得稳定收益的效果。
问答环节：
提问来自期乐会官方交流社群，问：老师你好，今天分享的内容都比较专业，请老师分享一下相关知识的学习途径。
银河期货李恩现：关于学习途径，如果要学习股指期货量化的话可以从两方面入手，第一方面是从股指期货的基础知识入手，合约构成，交易规则等等，另一方面是对量化软件的操作，来实现量化策略的构建。
提问来自期乐会官方交流社群，问：机构会不会用均线，K线等通用技术作为依据的交易策略？
银河期货李恩现：技术方面的指标我们也会看，但不会作为策略的核心组成要素，基本上还是以基本面为支撑的角度来构建投资组合。
提问来自期乐会官方交流社群，问： 做股指期货具体要关注那些基本面数据？
银河期货李恩现 ：股指的影响因素是非常宏观的，单纯从基本面来讲我们可以把市场行情归结为三个因素：盈利，无风险利率和投资者风险偏好，例如无风险利率方面我们就可以关注十年债或者国库债的利率是什么样的状态，这些都是在市场上可以直接关注的指标，像投资者风险偏好就没有能力直接量化出来，具有主观的随机性，什么事情都可以往这个方面考虑，像中美贸易战，像疫情影响等，都可以打击到投资者的风险偏好，大体上是从这三个角度来关注基本面的数据指标。
今天的内容就跟大家简单的分享到这里，再次感谢期乐会交易员俱乐部和中金所的邀请，有机会和大家做一个线上的交流，十分感谢大家的参与。
