股指期货程式化交易理念及模型设计

·1· 程式化交易 股指期货程式化交易理念及模型 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 主要观点 程式化交易的理念在于：投资者根据对市场历史状况和特征的分析得到在历史上可 以帮助投资者获利的策略，并将这样的策略持续应用于未来市场投资中，以期在未 来仍旧可以获得一定的收益。股指期货市场在国内作为一个新兴投资品种，程式化 交易的方法将更容易发挥作用。 在模型设计中遵循一定的原则，才能使设计思路更有章可循，也更符合程式化交易 的理念。这些原则主要包括：模型的设计与优化中应把握一定尺度、基于不同的市 场特征判断设计适合自己的模型、远离复杂和过多的条件设计等等。 在程式化交易中，将主观能动性更多的用于对模型应用时期市场运行状况的观察和 判断上，用于控制和应对超出历史最大亏损时的处理上，比将主观判断放在模型的 反复优化方面更事半功倍。 广义上，程式化交易模型设计是一个信号模型编写、利用数据测算并进行筛选优化 及通过对模型合理评价，最终产生能够为交易者所接受和应用的模型策略的过程。 模型参数优化与模型指标条件优化可以帮助改善模型效果，都是十分必要的。而除 了不断的模型设计外，对模型客观而全面的评价也十分必要，持仓时间、最大单次 盈亏和总盈亏等指标均需要关注。不过评价模型不能等同于模型筛选，这些评估指 标只是在帮助投资者找寻适合自己的交易模型。 日内模型设计有很多独特之处，也会面临相应的设计难点。从国际经验看，成功的 日内程式化交易模型非常少，但我们认为国内市场尚不及半强有效，即便单分钟数 据程式化模型设计仍然存在问 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 ，但以5分钟数据进行模型研究是可行而有成效的。 在我们对“5m-200 均”、“5m-200 均-30m”、“5m-200 均-30m 能量”、“5m-200 均-30m 能量-定止损空” 以及“5m-200 均-30m -定止损空”等模型的研究中，我 们认为：相比而言“5m-200 均-30m”表现更加稳定，可以尝试应用于实际交易。 总之，程式化交易既不同于一般的技术分析，也并不必须通过计算机执行交易。程 式化交易的理念在于肯定市场的弱有效可能为我们提供机会，方法在于通过对历史 数据的统计分析设计获利模型并应用于实际交易，交易重点在于坚持交易理念、用 足够的时间去检验模型的效果。除此之外，给予模型客观而更为整体的评价也是程 式化交易所提倡的，用客观的评估指标选择适合自己的模型，才能获得满意的结果。 T_ReportDate 2010 年 5 月 分析师 赵菁菁 010-59113598 zhaojj@essence.com.cn ·2· 程式化交易 程式化交易理论基础 程式化交易理念 技术分析、程序化交易、算法交易等等，这些词汇有些看似新鲜却已经对投资者 产生无穷尽的吸引力，有些看似已经广为人知却始终无人敢说已找到不败秘籍。这里 我们提出程式化交易这个概念，不是为标新立异，只是为了将这种交易模式的理念更 加表征化的体现，更加凸显这种理念的特征。 技术分析认为，在大多数情况下，利用重复发生和可预测的股票价格运动模式来 获得额外的利润是可以做到的，其主旨应该为对未来价格趋势的预测。程式化交易的 理念一部分类似于技术分析，它也同样认为利用重复发生的股票价格运动模式或可寻 找获得收益的一种方法。 除了技术分析，现在比较流行的还有程序化交易的方式，或者说是算法交易。他 们都是利用计算机算法决定交易下单的时机、价格甚至下单数量等，瞬间完成预先设 置好的组合交易指令，以便更好地管理市场冲击成本、机会成本和风险。程序化交易 可以被应用于包括做市、套利和投机等多种交易中。它讲求将交易思路模型化，从而 实现由计算机自动执行交易的从人到人与机器结合交易的跨越。这样的跨越最根本的 目的就是希望能够通过计算机的介入，排除掉投资者在投资中心态变化的干扰，摒弃 由于人的主观能动性带来的对既定策略的怀疑和不执行所延误的投资机会。程式化交 易的理念还有一部分类似于程序化交易，它也同样需要投资者对自己的模型和模型提 供的交易信号有充分的信心，可以坚持执行。 总体而言，程式化交易的理念在于：投资者根据对市场历史状况和特征的分析得 到在历史上可以帮助投资者获利的策略，并将这样的策略持续应用于未来市场投资 中，以期在未来仍旧可以获得一定的收益。不同的投资者对市场历史状况的分析角度 不同，所得到的对市场特征的判断不同，从历史角度看成功的策略也就不同，对交易 经验的总结需要发挥一定的智慧，同样也是一个利用程式化交易拓展对市场认知的过 程。 有效市场假说——程式化交易的发源 坚持程式化交易理念的投资者相信市场不是完全有效或者强有效的，在价格非随 机游走的市场上，价格的规律有迹可循，历史很可能会重演，程式化交易的理论和策 略均发源于一个基础——有效市场假说。 1970年，Eugene Fama首先提出有效市场假说(Efficient Market Hypothesis， EMH)。Fama认为，当证券价格能够充分反映投资者可以获得的信息时，证券市场就是 有效市场。在有效市场上，所有信息都很快反映到市场价格之中，在每一个时点，市 场都已消化了可得到的全部最新消息，市场价格已包含了所有可得到的信息。在有效 市场中，投资者都只能获得与投资风险相当的正常收益率，依靠分析过去的信息或以 往价格变化的形式来赚钱是不可能的。 根据投资者可以获得的信息种类以及市场效率水准的差异，将有效市场分成三个 层次：弱式有效市场、半强有效市场和强式有效市场。有效市场假说的支持者认为， ·3· 程式化交易 即便是效率最弱的弱式有效市场中，以往价格的所有信息也已完全反映在当前价格 中，所以利用移动平均线和K线图等手段分析历史价格信息的技术分析法是无效的。 而在强式有效市场中则即便是掌握了内幕信息也无法持续获取非正常收益。 有效市场假说是建立在完美市场假设基础上的，它 要求 对教师党员的评价套管和固井爆破片与爆破装置仓库管理基本要求三甲医院都需要复审吗 的市场环境至少是无摩 擦、完全竞争、零信息成本、投资者理性的。遗憾的是，在现实生活中这些假设条件 很难成立，因此强式有效市场几乎很难寻找，像发达国家资本市场，如美国市场可以 认为或可达到半强有效市场特征。 与有效市场假说相对应的，对市场还存在另外一类判断，即价格不遵循随机游走， 历史很可能会重演。这种投资原则的实质在于，投资者认为市场的运行具有一定的趋 势性，而且会受一些非理性因素的干扰，他们认为信息是逐渐反映到价格变化中的， 并非立即被市场消化。 程式化交易可尝试应用于股指期货市场 关于市场效率的争论已经从上个世纪延续至今，可能仍会继续延续下去。我们在 此简要探讨了关于有效市场假说的内容并无意欲加入学术讨论，只是想揭示程式化交 易的发源和市场基础。我们认为，也许在美国资本市场上采取程式化交易的方式很难 寻求超额利润，但目前国内的市场还达不到这样的状况。特别是股指期货作为国内一 个新兴投资品种，程式化交易的方法将更容易发挥作用。 一方面，股指期货市场非强有效市场，程式化交易或有用武之地。诚如上文所言， 程式化交易是否能够被应用于实战，很重要的一个因素取决于市场有效性。中国的资 本市场虽经过几十年发展，但仍不能肯定已经成为一个半强有效市场；而从另一个角 度讲，中国股市中资金的投机特性决定了市场的情绪化特征明显，更容易演绎极端趋 势。4月16日刚刚上市的沪深300股指期货，日均成交量甚至超过持仓量20倍，期现套 利及跨期套利机会较多，显示出股指期货市场参与者同样具备的投机特性。在这样的 市场中，有纪律的程式化交易才能找到施展空间。 由于股指期货上市时间较短，且自股指期货上市以来市场以下跌为主基调，以这 样的数据进行分析说服力不足，因此我们选取沪深300股价指数的数据代替股指期货 合约数据作为样本期数据。从我们对沪深300指数进行程序化交易的效果来看，可以 得到不同类的交易策略模型，保证在样本期和检验期均可以获得收益。从国际已有研 究成果看，一般很难设计出发达市场日内超短线程式化交易模型，但在我们对沪深300 日内数据的测算设模型设计中，却能够寻获可获利的模型。因此我们认为，在我国的 股指期货市场尝试程式化交易研究是有意义的。 尽管我们的市场看似有很多独特之处，但针对我们的市场进行程式化交易研究的 道路却与成熟市场不尽相同，从数据的选取到模型的设计再到模型的评价与改进，最 后到程式化策略的实战检验，都需要遵循一般的规则。下面我们将试从一套完整的程 式化交易策略设计的角度，对我国股指期货市场程式化交易模型设计方法和评价进行 详细阐述。 ·4· 程式化交易 程式化交易模型设计原则 由于程式化交易的模型设计多数基于技术指标而不局限于技术指标，所以在模型 设计中存在一定的原则，这样才使设计思路更有章可循，也更符合程式化交易的理念。 设计能够坚持的模型 任何一个交易系统都有其优势和劣势，试图寻找一个完全占优模型往往会面临两 个结果：一个是付出过高的成本找到了自认为最优的模型，一个是没有找到满足要求 的模型却同样成本不菲。 首先，模型的优劣并非靠单一标准就能比较和排除。一般而言，当一个模型设计 出来后，我们会用样本期和检验期数据分别进行验证。能够在样本期和检验期都获得 很好收益的模型，当然比较让人喜悦，不过这样的模型也并非就是最优模型。因为考 量一个模型的优劣应该从多角度出发，盈利率只是一个最粗浅的指标，最大赢利、最 大亏损、持仓时间、胜率等多个指标综合考量过后，才能算对模型进行了较为客观和 全面的评价。而这些标准往往不像盈利率那么单纯，所有人都回答越大越好，这些指 标往往会存在因人而异的情况。 其次，模型的优劣并非始终如一。我们在设计和测算中经常会发现，一个模型在 样本期和检验期的表现存在较大差异，甚至有些模型在样本期表现不好而在检验期却 有不错的盈利。这样的情况很容易理解，虽然历史会重演，但是这样的重演不意味着 照本宣科。 最后，模型的优劣因人而异。程式化交易的理念在于，发掘历史上成功的策略并 加以坚持实施。有很多交易者在进行程式化交易的过程中过多醉心于寻找绝对获利或 者所谓的最优模型，而忽略了这是一个观后镜的特征。发现了历史上的最优即便是在 未来同样的情况重演了，我们是不是能够坚持到这样的盛况出现和是不是在盛况出现 时能够相信自己的系统、坚持自己的系统都是问题。 因此，在模型设计中应遵循这样的原则：模型的设计与优化应把握一个尺度，对 模型的全方位评价和选择往往更加紧迫，寻找自己可以坚持的模型才能保证之前的工 作都是有意义的。 基于市场特征而不预测市场特征 我们可以简单的将市场分为趋势市和震荡市两种类型，根据不同的市场特征使用 不同的交易模型显然是更优的策略。 在单边趋势明显的趋势市中，使用趋势跟随型策略可以让盈利不断累积，充分获 取难得的大行情可能带来的盈利；在震荡市中，使用回归型策略可以防止过分频繁的 开平仓，同时也可以避免趋势不明的情况下无法使盈利放大的尴尬。 不过这只是一种理想的状态而已，事实上反观历史行情的时候，判断趋势市与震 荡市绝对轻而易举，但站在现在看市场，我们又如何知道行情的运行进入了何种阶段 呢。一般而言在面临这样的问题时，我们建议投资者使用自己认可的模型，而在模型 ·5· 程式化交易 的设计中忽略市场状况，尽量在模型测试的样本期中包含双向趋势市和震荡市，完整 的考量在历史状况下模型的获利状况。 因此，在模型设计中应遵循这样的原则：模型的设计基于市场特征，更倾向于在 长趋势中累计盈利的投资者可以设计趋势跟随型模型，而面对长期持仓容易产生不安 情绪的投资者可考虑选择回归型模型。 远离条件过于复杂的模型 也许有人不赞同我的建议，认为在设计交易模型前预先设计市场判断模型或为程 式化模型加入一些过滤条件，可以设计出能够预判市场趋势的模型。我不想过多评价 这些模型的优劣，只是我们认为这样的方法不利于广泛的应用。 一方面，每一个条件的加入都相当于我们对历史市场状况的描述，这种描述越细 化，也就会越狭隘，在未来再现的可能性就越小；另一方面，程式化交易的理念核心 不在于预测未来，如果将对市场趋势的判断加入到模型设计中，相当于预先设计了市 场运行的状况，首先就会使胜率打折。 程式化交易基于对市场历史运行状况的分析与提炼，更多的是界定一种更为广泛 的特征。对于程式化交易模型的应用也多是用长时间稳定的交易进行检验，而非借助 模型预测市场。 因此，在模型设计中应遵循这样的原则：远离复杂和过多的条件设计，尽量不对 市场进行过多主观预判。选择自己更有信心坚持使用的模型用于交易，从更长的时间 去检验和评价模型。 坚持不意味着放弃主观能动性 虽然我们肯定程式化交易的方法可以应用于股指期货市场，但是这并不意味着我 们可以保证在样本期及检验期均实现获利的模型，在未来也有同样的表现。 我们在应用模型时，应该做好这样的准备，在未来模型可能出现超过历史最大亏 损的亏损，也可能获得不及历史盈利率的利润等等。在这样的情况下，投资者往往要 面对是不是应用模型或者当模型表现不尽如人意的时候的决策。 关于模型在样本期和检验期表现出的盈利能力的差异以及最大亏损的增大等一 系列问题，我们在后文将用真实的模型和数据进行展示。这里我想强调的是，这样的 问题将可能成为永远困扰投资者的问题。那么既然解决这类问题的成本是可以预见的 高，而收效是可以预见的微小，那么就如同我们建议投资者放弃最优模型的寻找一样， 我们可以尝试更有策略性地应对这个问题。 因此，在模型设计中应遵循这样的原则：不要过多的纠结于模型在未来可能出现 比较糟糕的表现，应该尽可能为出现这样的情况做好备份 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 。在程式化交易中，将 主观能动性更多的用于对模型应用时期市场运行状况的观察和判断上，用于控制何应 对超出历史最大亏损时的处理上，比将主观判断放在模型的反复优化方面更事半功 倍。 ·6· 程式化交易 模型设计、筛选优化及评价 程式化交易模型设计的涵义可以从两个层面理解：从狭义上讲，可以理解为信号 模型的编写过程；从广义上讲，这应该是一个信号模型编写、利用数据测算并进行筛 选优化以及通过对模型合理的评价，最终产生能够为交易者所接受和应用的模型策略 的全过程。 我们更倾向于用广义概念来理解这个过程，因此下面我们将以一个简单而具体的 模型设计为例，展示程式化交易模型设计的全过程，同时给出对模型进行评价的一些 评估指标。 模型思路及指标选取 设计程式化交易模型完全是一个策略发现过程，反复试错的办法必不可少，但穷 举法是行不通的，因此在设计模型之前首先要理清模型设计的思路。 理清设计思路一般至少要回答这样几个问题：更倾向于捕捉趋势还是更相信市场 的回归特性，有哪些指标适合这样的交易需要，长线持仓还是短线投资，是不是有可 承受的亏损底线。之所以至少要给出这些问题的答案，与上文谈到的原则以及模型编 写的需要都息息相关。 首先，尽管我们强调不要预测市场形态，但是在设计模型前却要弄清楚我们对市 场特征的基本判断，或者说是习惯性的认为市场更容易表现出趋势市还是震荡市。对 于一个思维深处坚信市场涨到历史高点附近必回落的人，也许很难执行趋势型模型给 出的信号。不过，回答这个问题实际上可以减少我们在模型探寻中的工作量，但也不 意味着上述投资者不能使用趋势型模型获利。 其次，当我们确定了模型将主要针对怎样的市场来设计时，自然而言就可以获得 一些相应的基础可用指标。技术分析指标不是程式化交易的全部，但完全可以为程式 化交易所用。均线、MACD、布林带等可以应用于趋势型模型的设计，CCI、RSI、MACD、 布林带等又可运用在回归型模型的设计中。从这个角度我们可以发现，很多策略可能 有一条思路主线，但又不完全局限于单一类型的市场判断，比如在趋势型模型中加入 市场超买超卖的指标也是可以尝试的思路。 第三，我们是在设计一个长线投资模型还是一个短线或超短线的投资模型，决定 了我们是不是要考虑信号过滤问题。如果是一个长线投资策略的模型，或许我们不需 要过多忧虑模型会给出太多的信号，我们只需要信号指标条件不明确的情况就能得到 一个可以使用的模型。但是如果一个短线策略，这类信号过滤以及是不是存在交易过 度这类的问题，就是必须认真解决的一个难题了。 此外，我们是不是有一个亏损的底线，直接关系到在模型设计中是不是考虑纳入 止损设计。当然，与此相对应的，止盈问题也同样需要考虑。不过一般而言，对于完 全的趋势跟随型的策略，不建议设计止盈，因为这样的程式化交易模型其理念就在于 把握强趋势，过于谨慎的止盈也许就是在做破坏原初理念的事情。 ·7· 程式化交易 模型设计及样本数据测试 鉴于股指期货上市仅一个多月时间，且股指期货采取T+0交易模式，因此我们尝 试设计一个股指期货日内趋势型程式化交易模型。 由于股指期货上市时间较短，且上市以来市场以偏空基调为准，但模型测试要求 样本期数据尽量包含双向的趋势市和震荡市，因此我们选取去年9月以来沪深300指数 的单分钟数据进行研究。其中，2009年9月18日到2010年4月16日超过半年的时间作为 模型设计的样本期，2010年4月19日起一个月数据作为检验期。 尽管沪深300指数为沪深300股指期货的标的，两者具备相当高的一致性，但如果 从日内单分钟或几分钟数据看，两者一致性则大大减弱，在这样的情况下，使用越复 杂、条件越多的模型，样本期与检验期模型表现的差异性将可能越大。因此，在此主 要尝试最简单的价格与均线交叉的系统进行设计。 模型参数优化与评价 尽管中长线交易模型并非我们最终要获得的模型，只是试算的一个阶段。但在进 行日内模型的设计前我们有必要探讨模型参数优化的利弊，并确定评价模型的一些指 标。 从日数据来看，200日移动平均线在期货市场上普遍受到关注，有些投资者甚至 把其视作牛熊市的分界，因此我们将价格确定性超过200日移动平均线视作平空开多 信号，相反视作平多开空信号，每次开仓1单位，定义该模型为“日-200均”。我们 以2008年11月以来沪深300指数日数据进行初步试算，验证“日-200均”的效果，为 设计日内趋势型程式化交易模型进行一个小的铺垫。 即便是一个最简单的模型，也存在参数优化的问题。我们认为，参数优化是必要 的，但过分优化的性价比却相当低。与无法获得持续最优模型同理，事实上我们也无 法断定最优参数，即便我们用线性规划等方式获得了历史盈利最高的模型参数，那也 仅仅是历史而已，而且我们的规划条件本身已经带有了预设。所以参数的适当优化也 应该是模型设计的一个原则，只是这个度并不容易把握。 与此相关联的，参数优化的最值不可获得的另一个原因在于，模型评价无统一标 准，按照不同的指标对参数进行优化，获得最优参数结果往往是不一样的。这就引出 了另外一个相当重要的问题，即模型评价问题。金融市场中一个众所周知的法则就是 盈利与风险是相匹配的，而对模型的评价却远不止涉及盈利与风险两个指标这么简 单。有的投资者认为无论风险有多高，都要选择盈利最高的模型，有些资金则要求控 制最大亏损，有些资金有使用期限，有些资金空仓成本很高，甚至模型应用在哪些品 种上也必然因人而异。 评价程式化交易模型必然是一个客观指标与主观判断相结合的过程，不过这里的 主观判断只是帮助交易者选择更符合自己需要的模型，且主观判断也紧紧依附于客观 指标。在此，我们提供一些常用的指标，作为我们对模型进行评价的标准，但不作为 筛选模型的依据。 在“日-200均”模型中，最主要的参数即均线周期的选择，在研究中我们分别设 ·8· 程式化交易 计了“日-30均”、“日-60均”、“日-120均”和“日-200均”一起运行，将2007年 9月至2010年3月数据设为样本期，暂不设检验期，按无杠杆且投入资金满足最大开仓 需要测算，展示参数优化效果的同时给出一些我们关注的评价指标。 图 1 2007 年 9 月-2010 年 3 月沪深 300 指数及其均线走势 1000 2000 3000 4000 5000 6000 07-8 07-11 08-2 08-5 08-8 08-11 09-2 09-5 09-8 09-11 10-2 H300 MA30 MA60 MA120 MA200 数据来源：Bloomberg、安信期货研发部 从图1中可以看出，在样本期之初市场处于震荡市中，而后落入为期十个月的下 跌走势，2008年11月沪深300指数触底反弹，持续上扬至3000点至4000点区间后，再 次出现震荡行情。样本期数据涵盖不同方向和特征的市场，可靠性较高。 表 1 沪深 300 指数日数据单一均线模型测试结果 指标 日-30 均 日-60 均 日-120 均 日-200 均 扣除成本总收益 532716.90 842891.38 503916.13 342937.29 收益率(无杠杆) 30.21% 47.81% 28.58% 19.45% 均收益率(无杠杆) 0.67% 2.39% 1.43% 1.39% 最大单次收益 282672.92 829260.96 791429.17 671744.62 扣除最大单次收益总收益 250043.98 13630.42 -287513.03 -328807.33 最大单次亏损 -101783.66 -187134.42 -154315.95 -239496.68 扣除最大单次亏损总收益 634500.55 1030025.80 658232.08 582433.97 最大浮动盈利 443489.57 935918.51 935918.51 898411.06 最大浮动亏损 -100017.39 -100017.39 -179352.89 -224973.22 最长持仓时间 72 212 248 254 最长盈利时间 71 187 223 251 最长亏损时间 18 11 24 40 信号数量 45 20 20 14 最大连续亏损信号数量 4 5 3 5 最长空仓时间 0 0 0 0 样本期 胜率 37.78% 36.84% 31.58% 30.77% 数据来源：Bloomberg、安信期货研发部 ·9· 程式化交易 此处我们着重比较参数优化的重要性以及如何从多角度评估、分析我们的程式化 交易模型。 表1中所列为简单均线模型的参数优化过程，从表中所列各个评估指标均可以说 明，在参数调整过程中的表现有很明显的变化，且不同的评估指标在参数的一次性调 整中会出现方向不同的变动。这里需要再次强调的是，模型参数优化并不是要发现最 优参数，也无法发现最优参数，参数的优化仅可能帮助投资者改善不满意的部分评估 指标。 交易者可以很清楚的从表1中理解这些指标的含义，下面我们具体探讨一下选取 上表中的16个评估指标的目的。 首先，通常盈利情况是我们用来考察一个模型的第一指标，而且是人人都不会忽 略的指标，不过单纯看总收益或收益率并不能客观的了解自己的模型。如果一个模型 的盈利很理想但主要盈利均来自一次成功，或者相反地失败也主要归咎于一次交易， 那么我们在评价这样一个模型的获利时就应有所保留，至少应该充分重视这种情况。 因此，除了考察总收益情况、收益率以外，我们建议纳入诸如扣除最大单次盈亏总收 益这类指标，来帮助我们更好的了解和评价模型。例如，在简单均线模型中，60日均 线系统的总盈利最高，但其扣除最大单次盈利后的总盈利却不太理想。使用这一模型 的投资者必须清楚的认识到，在未来一定时间内自己可能无法获得预期数量的总收 益。 其次，在考量一个模型的过程中，除了收益以外多数投资者同样关心风险情况。 因此最大的浮动盈亏这类指标就显得非常重要。在不使用杠杆的情况下，浮动亏损会 对投资者心理造成较大冲击，而如果将模型应用于股指期货这类有杠杆的品种中，浮 动盈亏会在结算后转变为实质性的盈亏，浮亏过大直接影响投资者保证金水平，严重 时甚至带来穿仓风险。因此，这一指标是评估一个模型不可忽视的指标，同时从另一 个角度讲，这个指标也可以帮助投资者管理头寸和设定机动的最大亏损止损线。 第三，由于市场上并不是所有的资金都以长期绝对收益为评价标准，以一段时期 的收益或相对收益作为评价标准的更常见。因此，我们建议将最长持仓时间及最长盈 利亏损时间纳入考量范围，选择慢速均线可能面临一年一次的交易，或在年底不会有 平仓信号出现，这是模型使用者必须注意的。另外显而易见，相对越快的均线模型其 持仓时间往往越短，但最长连续亏损时间却不一定越短。例如，在简单均线模型中， 30日均线系统最长持仓时间与60日均线系统不相上下，但最长连续亏损时间反而比60 日均线系统长。 最后，将信号数量以及胜率这类指标放入评估指标篮中，一方面可以让模型设计 和使用者衡量交易费用支出情况；另一方面也提示大家，趋势型模型可能要面临50% 以下的胜率。对于需要频繁取胜和小盈利积累的投资者，选择这类趋势型模型时应该 尤为慎重。否则，违背程式化交易的理念而不执行交易信号，或由于胜率较低而放弃 部分信号，那么从数据搜集到模型设计乃至已经进行了一阶段的实践都将化为沉没成 本，这无异于前功尽弃。 总体而言，此处我们用表1中的数据更希望说明，设计者有必要客观而全面的评 价模型，但使用何种指标作为筛选标准答案并不是唯一的。选择个人更易坚持的模型 比优化出所谓的最优模型更有意义。 ·10· 程式化交易 模型指标条件优化 除了模型参数的优化外，模型的修改还可以从另外一个方向拓展——指标条件优 化。虽然越简单的模型表现越稳定，但单指标的模型总会令投资者产生疑惑，亦即指 标不能完全描述交易员的意愿。同时，单指标模型的信号数量理论上是最多的，但信 号过多可能带来过度交易等问题。因此，模型指标条件优化是很有必要的。 价格信号优化 我们将选择什么价格指标比较标准称之为价格信号优化。在模型设计中，收盘价 是最常用的比较标准，比如在“日-200均”模型中，我们将收盘价与均线进行比较。 不过通常而言，为了排除信号闪烁的问题，我们建议使用前日收盘价而非最新价，个 中原因非常容易理解——前日收盘价是确定性的历史价格，这样的评价标准较为客 观。 在部分模型中，比较的标准也可能是最高价、最低价或者某些价格的平均甚至加 权平均。从合理性的角度讲，直观价格——如收盘价、最高价一类——通常使用其t-1 时刻的价格较为合适。而经过处理的价格，如加权平均价，使用时就较为复杂也应更 加谨慎，防止权重这类参数的过度优化。 指标优化 在模型设计过程中，除了将交易员的思想完整的描述出来以外，一些客观的交易 需要以及风险控制需要往往会被加入模型中作为条件。这样一方面可以有效的过滤信 号；另一方面也可以防范过度交易，满足止损等方面的需要。 这种指标优化通常是在已有模型中加入更多的条件，这些条件主要包括新的信号 识别指标、持仓时间条件、止损止盈条件三大类。 第一类是增加新的信号识别指标。这种指标优化过程一般会在两种情况下使用： 改善表现不佳的模型和设计混合式交易模型。如果已有模型在样本期给出了较多的错 误信号，通常我们倾向认为已有模型还不能很好的描述盈利信号出现时的状况，也许 有一些重要的特征被忽略了，这时程序员可以考虑尝试加入新的指标。另一种情况我 们在上文有少量提及，就是虽然我们可以将模型分为趋势跟随型和回归型两大类，但 在趋势模型中加入回归类指标以及反之也未尝不可。比如在均线系统上加入超买超卖 信号识别，我们可以将这理解为增加信号指标，当然也可以理解为止盈止损条件设置。 第二类是持仓时间条件。这种指标优化过程源于信号过滤的需要，它的主要作用 是在趋势跟随型指标中帮助过滤掉震荡市出现的过多信号，或帮助有持仓时间限制的 投资者改善持仓时间。持仓时间条件的加入有时候可以很好的过滤掉过多的信号，但 最佳持仓时间却是随之而来的一个问题，同样持仓时间限制可以让有需要的投资者定 期离场，却也同样可能带来机会的错失。不过在研究过程中，我们还是对持仓时间条 件限制十分青睐，这与我们的研究指向有着密不可分的联系。众所周知，股指期货不 同于股票的一个很重要的特征就是每张股指期货合约都是有期限的，沪深300股指期 货近月合约在交割月第三个星期五下午股市收盘时准时收市交割并退出这个市场。这 相当于在客观上要求，如果我们的程式化交易模型在主力合约上建仓，则持仓时间不 ·11· 程式化交易 宜超过20-30个交易日。而如果以沪深300指数数据作为样本期数据，加入相应的持仓 时间条件显然可以更客观的模拟这样的效果，而测试的结果与不加入合约到期条件限 制时的测试结果会存在一定的差异。 有些持仓条件限制在让模型表现的更加理想之外，同时过滤掉过多的信号，这至 少可以降低较多的交易费用支出。表2中的模型我们加入了累计30天价格处于均线一 侧后穿越均线再开仓的条件，尽管显然这一条件在“日-60均”模型中画蛇添足的成 分明显，过滤掉了很多可能获利的信号，但此处我们仅希望展示这种时间条件的加入 对模型效果产生的重要影响。本文暂称这类加入累计数日价格处于均线一侧后穿越的 条件为“能量模型”。 表2中的长线能量模型表现要相对更好，而短线模型则不然。这主要是由于，一 方面在“日-30均”和“日-60均”模型中，市场的信号来源于相对中期的均线的穿越， 而30天的能量释放显然僵硬的过滤掉了很多信号；另一方面，在长线均线模型中其之 所以改善了盈利情况，主要是将一个长趋势中的短暂回调适度过滤，这种思想是典型 的右侧交易，相当于默许承担回调30日再延原趋势运行过程中的煎熬期，但换来了盈 利的累计。从“日-120均”和“日-200均”能量模型最大单次收益和最长赢利时间两 个指标中可以充分反映出，该模型尽享趋势市带来的获利累计的特征。 表 2 沪深 300 指数日数据能量模型测试结果 指标 日-30 均 日-60 均 日-120 均 日-200 均 扣除成本总收益 458112.76 -735588.72 886720.75 660757.23 收益率(无杠杆) 25.98% -41.72% 50.29% 37.48% 均收益率(无杠杆) 6.50% -6.95% 12.57% 12.49% 最大单次收益 518303.05 3682.74 822085.48 654727.65 扣除最大单次收益总收益 -60190.29 -739271.46 64635.27 6029.58 最大单次亏损 -110848.17 -661223.86 -154315.95 -239496.68 扣除最大单次亏损总收益 568960.93 -74364.86 1041036.70 900253.91 最大浮动盈利 679119.71 207564.19 966574.82 881394.09 最大浮动亏损 -654222.25 -1124029.59 -265856.38 -224973.22 最长持仓时间 319 400 288 373 最长盈利时间 66 35 230 251 最长亏损时间 305 386 128 40 信号数量 4 6 4 3 最大连续亏损信号数量 1 4 1 0 最长空仓时间 0 0 0 0 样本期 胜率 66.67% 20.00% 66.67% 100.00% 数据来源：Bloomberg、安信期货研发部 第三类是止损止盈条件。虽然趋势跟随型模型的思想是让盈利尽可能的累积，但 谨慎的投资者往往可以更长久的在市场中生存，这种特征在期货市场表现得尤为明 ·12· 程式化交易 显。股指期货同样的保证金交易品种，止损止盈条件的加入可以让模型更加谨慎。止 损止盈条件的设置有很多方法，固定数额、固定比例的止损条件都可以尝试，固定数 额或追踪止盈止损的方法现在也被较多投资者使用。止损止盈后是否开仓，还是空仓 等待下一个信号，这些指标优化方式的不同都会改变模型的表现。如果我们在模型中 加入止损止盈且不反向开仓的条件，那么表1和表2中空仓时间这一指标就不会再是0 了，不过不适应空仓等待的投资者可以选择止损止盈后反向开仓。 除了在模型中加入止损止盈指标外，在实际的模型应用中，至少还应设置一条额 外的止损条件。在交易中，这个条件可以最大亏损超过样本期最大亏损一定比例为条 件，也可以最长亏损时间超过历史最长亏损期多久为条件。不过无论标准怎样，目的 都是帮助我们应对实战中市场特征发生显著性改变的风险。 股指期货日内程式化交易模型初探 下面我们将尝试进行股指期货日内程式化交易模型的研究，力求为投资者设计日 内交易模型提供思路上的借鉴。 日内模型的特征和设计难点 上面我们已经以日数据对中长线趋势交易模型进行了检验，目的主要在于希望通 过上述模型的设计展示模型编写的流程，提供模型评估的部分指标，顺便为日内模型 的设计提供一个初步的思路。不过相比而言，日内模型设计有很多独特之处，也会面 临相应的设计难点。 首先，与中长线趋势交易模型不同，日内模型存在的理论基础就经常受到质疑。 中长线趋势模型的设计者认为，新信息在市场上的消化是一个连续而并不迅速的过 程，因此才会产生所谓的趋势，这个信息可能是信号产生的诱因。不过日内模型由于 信号识别期的间隔很短，在一天之中出现几个信号的可能性较大，即便在一个大的趋 势中，由于样本数据间隔时间较短，使得相比而言均线、支撑位阻力位、超买超卖指 标都相对过快，但在短时间内更可能没有那些信号产生的诱因。也就是说单分钟价格 比日价格更加随机漫步，这一点必须是日内模型设计者充分认识到的。而具体讲，在 设计模型过程中，以单分钟数据为例30分钟均线、60分钟均线这类指标就不太适宜使 用，而部分超买超卖指标的使用也需要特别慎重。 其次，日内模型的信号过滤往往比中长线趋势模型重要。由于交易成本的存在， 日内过多的信号会带来严重的过度交易问题，导致成本对总收益的影响异常巨大。因 此，即便投资者偶然发现了不加信号过滤的日内交易模型，我们也建议谨慎思考后再 使用，而在模型设计中优先考虑加入持仓时间条件或信号过滤语句。 最后，日内模型的稳定性是个值得思考的问题。日内价格的随机特征达到何种程 度很难估量，尽管我们也很容易获得双向趋势市及震荡市的日内数据，但如果细化到 分钟数据，金融数据的尖峰厚尾特征或在弱化。因而，无论在何时我们都不建议轻易 尝试对单分钟数据的反复分析，如果是超短线的交易，时间间隔下限还宜选择5分钟。 ·13· 程式化交易 股指日内趋势跟随模型设计 上面我以沪深300日数据为样本数据，进行了程式化交易模型设计的探讨。下面 我们将这些流程和方法运用到股指期货日内趋势跟随模型设计中，力求获得一个相对 稳定、可以使用的日内交易模型。 在这部分研究中，我们以沪深300指数分钟数据作为样本期数据，选取从2009年9 月至2010年4月16日时间段为样本期，检验期为沪深300股指期货上市第二天开始至第 一个主力合约交割下市止，即2010年4月19日9:15分至2010年5月21日15:00的主力 IF1005分钟数据。分别对1分钟模型、5分钟模型和30分钟模型进行设计验证，对这三 类间隔数据分别应用四至五个模型进行比较研究，每次信号出现进行1手交易。 单分钟模型表现不稳定 我们首先以最简单的均线模型入手，针对1分钟数据进行设计，得到“1m-200均” 模型，并以样本期数据进行检验。这里需要再次强调，虽然在中长线趋势跟随模型设 计中我们尝试了30日均线、60日均线等相对快的均线，但由于日内模型交易间隔时间 短，过快的均线并不十分适合作为信号指标，因此这里我们均选择MA200作为均线信 号指标。在研究中我们发现，“1m-200均”模型交易信号数量很多，错误的信号数量 也相当多，在不进行信号过滤的情况下很容易由于交易成本过大而导致模型的亏损。 尽管股指期货交易的手续费非常低，但在真实市场环境下我们不可忽视冲击成本的影 响，因此我们以谨慎的原则将测试中的交易成本设为10BP，并分别以7BP、5BP的成本 进行敏感性测试。从表3中“1m-200均”模型成本敏感性测试结果可以看出，交易成 本的大小对模型的盈利情况有相当大的影响。 从测试结果来看，尽管每次仅进行一手交易，但是成本的降低对模型的亏损有很 大改善。由于每个信号伴随平、开仓两次成本付出，因此降低信号数量和过滤虚假信 号应该是解决这样问题的突破口。降低信号数量可以通过增加持仓时间限制条件的方 式进行尝试，我们提供了两种增加条件的思路：持仓30间隔条件和能量消耗是否充分 的判别条件。能量消耗条件的判别既可以降低信号数量，也可以过滤虚假信号。除此 之外，止损条件的加入也可以被动过滤虚假信号，防止在亏损交易中涉入过深。 表 3 沪深 300 指数单分钟模型成本敏感性测试结果 成本 10BP 样本期总盈利 成本 7BP 样本期总盈利 成本 5BP 样本期总盈利 1m-200 均 -1130701.26 -716716.18 -440726.13 1m-200 均-30m -446350.32 -299824.52 -202140.66 1m-200 均-30m 能量 -109427.01 -26493.20 28796.00 数据来源：Bloomberg、安信期货研发部 因此，下面我们将对四个模型进行比较分析，它们分别为：“1m-200均” 模型、 “1m-200均-30m” 模型、“1m-200均-30m能量” 模型和“1m-200均-30m能量-定止 损空” 模型。“1m-200均-30m”在“1m-200均”基础上加入持仓满30分钟的信号过 滤，“1m-200均-30m能量”融入了动量思想，加入了价格在均线一侧连续运行超过30 ·14· 程式化交易 分钟而后穿越的信号过滤，涵义在于将单侧趋势能量充分消耗后再出现的信号才视作 可操作信号，“1m-200均-30m能量-定止损空”在能量模型基础上又加入了亏损超过1 万定额平仓后空仓等待的过滤。 表 4 沪深 300 指数单分钟—均线模型测试结果 指标 1m-200 均 1m-200 均-30m 1m-200 均-30m 能量 1m-200 均-30m 能量-定止损空 扣除成本总收益 -1130701.26 -446350.32 -109427.01 -159697.33 收益率(无杠杆) -101.93% -40.24% -9.86% -14.40% 均收益率(无杠杆) -0.15% -0.17% -0.07% -0.09% 最大单次收益 45298.83 45298.83 45298.83 48571.62 扣除最大单次收益总收益 -1176000.09 -491649.15 -154725.84 -208268.95 最大单次亏损 -20900.69 -47558.00 -69645.49 -17395.61 扣除最大单次亏损总收益 -1109800.57 -398792.31 -39781.52 -142301.73 最大浮动盈利 61448.96 61448.96 61448.96 61448.96 最大浮动亏损 -22234.02 -59977.57 -76514.61 -23939.31 最长持仓时间 495 664 959 861 最长盈利时间 488 488 488 750 最长亏损时间 216 820 1119 557 信号数量 679 241 137 156 最大连续亏损信号数量 33 12 7 8 最长空仓时间 0 0 0 646 样本期 胜率 12.14% 26.14% 37.96% 30.77% 扣除成本总收益 -200101.92 22747.08 -91202.04 -56931.30 收益率(无杠杆) -19.65% 2.23% -8.95% -5.59% 均收益率(无杠杆) -0.13% 0.05% -0.30% -0.15% 最大单次收益 45298.14 45298.14 31973.94 21861.60 扣除最大单次收益总收益 -245400.06 -22551.06 -123175.98 -78792.90 最大单次亏损 -10932.66 -33592.56 -39973.08 -15850.32 扣除最大单次亏损总收益 -189169.26 56339.64 -51228.96 -41080.98 最大浮动盈利 52334.28 52334.28 52334.28 52334.28 最大浮动亏损 -13270.32 -41145.00 -56096.94 -10815.36 最长持仓时间 520 520 794 656 最长盈利时间 515 515 291 512 最长亏损时间 101 480 782 250 信号数量 154 48 30 38 最大连续亏损信号数量 29 8 8 10 最长空仓时间 0 0 0 482 检验期 胜率 11.04% 29.17% 23.33% 23.68% 数据来源：Bloomberg、安信期货研发部 ·15· 程式化交易 从直观上看，除了“1m-200均-30m” 模型在检验期盈利外，其余模型以及时期 均出现亏损。相比较而言，在样本期“1m-200均-30m能量”表现更优，不过在扣除最 大盈利后仍然会出现亏损，且这个模型在检验期出现了一次巨大的亏损。 表 5 沪深 300 指数 5 分钟—均线模型测试结果 指标 5m-200 均 5m-200 均-30m 5m-200 均-30m 能量 5m-200 均-30m 能量-定止损空 扣除成本总收益 -220303.23 109659.36 179157.94 75100.87 收益率(无杠杆) -19.87% 9.89% 16.16% 6.77% 均收益率(无杠杆) -0.11% 0.21% 0.58% 0.20% 最大单次收益 79059.93 80639.35 80639.35 63304.77 扣除最大单次收益总收益 -299363.16 29020.01 98518.59 11796.10 最大单次亏损 -19462.82 -43488.83 -52021.29 -16066.25 扣除最大单次亏损总收益 -200840.41 153148.19 231179.22 91167.12 最大浮动盈利 103068.92 104648.33 104648.33 82789.10 最大浮动亏损 -33524.14 -80933.35 -80933.35 -12148.83 最长持仓时间 432 541 541 515 最长盈利时间 417 431 431 541 最长亏损时间 80 389 515 332 信号数量 176 46 28 34 最大连续亏损信号数量 18 6 4 7 最长空仓时间 0 0 0 487 样本期 胜率 13.07% 39.13% 39.29% 29.41% 扣除成本总收益 -5125.74 106444.74 103590.84 106137.06 收益率(无杠杆) -0.50% 10.47% 10.19% 10.44% 均收益率(无杠杆) -0.02% 1.50% 2.55% 2.09% 最大单次收益 103283.52 102744.06 109577.22 4802.10 扣除最大单次收益总收益 -108409.26 3700.68 -5986.38 101334.96 最大单次亏损 -13649.46 -8810.82 -15703.92 -13845.78 扣除最大单次亏损总收益 8523.72 115255.56 119294.76 119982.84 最大浮动盈利 133193.40 132653.94 139487.10 139487.10 最大浮动亏损 -13709.40 -13845.78 -40638.96 -4056.30 最长持仓时间 648 666 752 752 最长盈利时间 638 636 682 752 最长亏损时间 45 36 90 56 信号数量 30 7 4 5 最大连续亏损信号数量 29 8 8 10 最长空仓时间 0 0 0 98 检验期 胜率 10.00% 42.86% 50.00% 40.00% 数据来源：Bloomberg、安信期货研发部 ·16· 程式化交易 从国外经验来看，成功设计日内程式化交易模型的少之又少，前面我们已经解释 过这与市场有效性关系紧密。而在国内我们也强调过，虽然我们不承认市场半强有效， 但单分钟数据的程式化模型设计仍然存在问题。因此，我们不在单分钟模型上进行过 多的争执，而是放长时间间隔，以5分钟数据进行进一步的研究。 “5m-200均-30m”模型对比分析的启示 从表5的模型检验结果来看，同样的模型设计思路，效果却要明显好于单分钟时 的情况。而且显然，上述模型中“5m-200均-30m”模型的表现最好。尽管我们上文反 复强调无法找到最优的模型。但结合评估指标，评价一个模型是否可以应用于实战至 少有以下几点标准： 首先，从样本期到检验期表现稳定。 我们设计程式化交易模型的目的在于希望它帮助我们在实战中获利，因此从实操 角度讲，能够让我们信任并坚持的模型必须具备一定的稳定性。“5m-200均-30m”模 型在样本期扣除最大单次盈利总盈利为29020.01元，其检验期扣除最大单次总盈利仍 有3700.68元。如果将样本期扣除最大单次盈利总盈利平均至每个月与3700.68元较为 一致，如果将检验期延长至半年左右，表现或可更接近。而从总的收益率情况看，两 期间该模型也表现较为稳定，信号数量给出也较为均匀。 我们认为，一方面以简单的单均线系统作为信号指标可以让信号更加自然，历史 重复性概率高；另一方面，虽然加入持仓时间限制的条件，但是这个条件对市场形态 不存在判断，也属自然过滤的方式。因此一般而言，信号条件并不苛刻、模式固定而 受市场走势影响力小的附加条件可以带来较稳定的表现。这一点在“5m-200均-30m” 上可以得到很好的验证。 图 2 样本期“5m-200 均-30m”资金模拟(无杠杆) 图 3 检验期“5m-200 均-30m”资金模拟(无杠杆) 850000 950000 1050000 1150000 9-21 10-28 11-27 12-28 1-27 3- 4 4-2 资金累计 850000 900000 950000 1000000 1050000 1100000 1150000 14:00 11:30 10:30 09:30 14:30 13:30 11:00 10:00 资金累计 数据来源：Bloomberg、安信期货研发部 数据来源：Bloomberg、安信期货研发部 其次，过低的胜率可能影响交易心态。