1.5　未來展望

在寫作本書的時候我主要交易的是商品趨勢策略，商品日內策略也剛剛完成，目前正在研究其他的一些策略，這些策略留在以后有機會再寫。

1.5.1　跨期、跨品種套利策略

跟趨勢策略相對應的是跨期、跨品種的套利策略。所謂“套利”，并不是指賺取無風險的利潤，而是指做多一個品種的同時做空另一個品種，然后通過賺取價差的變化來盈利。因此，這種策略跟趨勢策略有相似的地方，只不過從預測單品種的趨勢變成預測品種價差的趨勢，從買賣期貨變成買賣價差。大商所有專門的組合合約，但這里我們并沒有交易那種合約，而是自己構造合約。一般原品種的流動性會比組合合約好很多。

構造價差合約的K線時也有需要注意的地方，比如兩個合約的時間戳（time stamp）不一定完全對應，在計算價差時要先把時間對齊了才能計算。不同交易所的時間也不一樣，因此跨品種的時候最好是同一個交易所的，當然跨期處理可以更容易一些。另外如果是合成5分鐘K線，計算高低價格的時候，也需要從分筆數據的價差合約來計算，不能用已經合成的各個合約的5分鐘數據相減計算，因為各自的最高價相減是沒有什么意義的，跟價差的最高價沒有關系。

構造好價差的5分鐘K線后，還有一個需要注意的問題是價差可能是負數，負數不存在對數，沒法計算對數收益，因此只能用實際價格的變化作為因變量。另外價差合約的成交量也需要處理，可以是兩個合約成交量較少的那個，因為整體價差合約的流動性由較小的那個決定。另外價差合約的持倉量似乎很難定義，因此研究策略的時候可以忽略跟持倉量有關的指標。

跨期、跨品種套利的思路大致如此，本書不做深入展開，以后有機會再寫。

1.5.2　商品市場中性策略

另外一種策略叫作商品市場中性策略，也有人稱為宏觀對沖策略。套利策略一般是買一個賣一個進行配對交易，而市場中性策略則只需要保持多空市值相等即可，然后每隔一段時間調整一次。這屬于配置型策略，而不是擇時策略。一般來說基于機器學習預測模型的策略都是擇時策略，而這種配置型的策略由于時刻保持多空倉位平衡，比如多空各一個億的合約價值，因此并不是擇時的。

有一個可行的辦法是選一些技術指標，然后每個技術指標都可以作為排序的依據，各個品種按強弱排序，強的一半做多，弱的一半做空。如果市場出現整體上漲或下跌，其實對組合是沒有太大影響的，因此這也是“市場中性”一詞的含義。然后再把各個因子得到的多空組合匯總起來，得到整體的組合。

另外一種方法也可以用回歸的方法來做，此時因變量不再是某個品種自身的價格變化，而是該品種相對于市場整體的價格變化。至于市場整體的價格變化如何加權計算，即商品指數如何加權計算，也是一個復雜的問題。無論如何，相對于指數的價格變化，肯定一部分是正的，一部分是負的，只需每次做多正的做空負的即可。調倉頻率可以比較低，比如一個星期乃至一個月調整一次，預測的頻率也比較低，觸發交易的閾值不必敏感。

國內一些基于基本面的商品私募基金就是這么做的，比如在2016年年底做多黑色系做空農產品，雖然農產品虧了一點錢，但黑色系的收入遠遠超過農產品虧的錢，總體而言表現也不錯。

1.5.3　基于基本面數據的策略

之前的數據都是基于行情數據的，這對于比較短線的策略來說還是可以的，但對于持倉時間比較長，比如一個月以上的策略，或許就不大合適了。為此，可以考慮基于基本面數據的策略。

基本面數據的獲得是一個問題。每個品種每個版塊在網上都可以找到相關的基本面數據，但過于分散，可以借助萬德等第三方平臺。比如萬德里面每個商品都有幾百甚至幾千個基本面指標，頻率從日到年都有?？紤]到國內商品上市時間很多都不長，用日頻數據比較好，這樣也有數百個指標。

然后可以構建簡單的線性回歸模型，利用這些因子來預測價格未來的變化，由于因子數目較多，可以運用lasso等稀疏模型來求解，篩選其中重要的因子。當然，最好有基本面方面的知識，防止選擇很多意義不大但恰好很有預測力的因子，這是由于因子數目太多因此選擇了噪音部分。

選擇好基本面因子，之后的交易過程就跟基于5分鐘K線的策略差不多了。對沖策略也可以用基本面因子來建模。

1.5.4　算法交易

算法交易是量化交易的另外一塊內容，一般指把一個大單分拆下單從而減少交易成本。比如一個1萬手的買單，由于市場上買一價掛單一般只有幾百手，而且超出5檔的掛單會非常稀薄，因此1萬手一次性下單可能會把價格推到漲停，俗稱“烏龍指”，產生巨大的買入成本，這是流動性風險。而如果把單子分拆得很細的話，比如每次只下1手，需要一萬次，假設每1秒下一次，也需要近3個小時，可能價格變化也非常厲害了，因此這有價格波動的風險；那么，如何在流動性風險與價格波動之間實現平衡也是一個問題。另外，如果下單過于有規律，會被市場察覺，這會帶來逆向選擇的風險，總的來說整套體系也是挺復雜的。

一般衡量執行效果的指標有成交量加權平均價（Volume Weighted Average Price，VWAP），即這段時間交易1萬手買單的平均價格跟這段時間市場的VWAP對比，如果低于VWAP則是比較好的。事實上，如果買入的時候一直是對手價搶單，成交量跟當前成交量相當，那么最終的平均價會比VWAP略高一些。但如果買入的時候一直掛單，雖然成交價格更優，但也存在不能成交的風險。因此，如何用掛單與搶單結合的方法來降低平均成交價，也是一門學問。

國外這方面技術在股票用得比較多，比如把要交易的量分到一天內的各個時段來成交，每分鐘成交多少，每秒鐘成交多少都有對應的任務，時間快到了就搶單，時間沒到就掛單等待，然后掛單成交的概率也需要利用實際成交情況來估計。

一般規模比較大的私募需要這些方法，規模小的私募還是以預測模型為主。