期货策略夏普比率（夏普比率的范围）

现货和期货夏普比率一样吗

一样的，所谓夏普比率只是平衡两者之间投入比例的一个参考值

【点宽专栏】期货多因子（二）——各因子描述

一、报告简介

上期我们对于期货多因子的逻辑和用途进行了小结，我们构建期货多因子是为了刻画期货的特征，从而用于机器学习。上期我们探究了动量因子，本篇报告将把更多的因子特征呈现出来。

二、因子研究 ***

上期我们对于因子溢价构建 *** 进行了简介，本文采用同样 *** ，每天换仓，构建因子多空组合。对于多空组合收益率，我们采用总收益、年化收益、年化波动、夏普比率、更大回撤、收益回撤比、Hurst指数、5,10,20,60,120日方差比率检验来衡量。

其中，Hurst指数（见中信建投Hurst报告）以及方差比率检验（Lo, MacKinley(1988)文章）是用于刻画因子是否具有趋势性。如果因子不是随机游走，具备短期趋势，那么我们可以根据这些特征来预测未来商品指数强弱，择时构建溢价。

因子溢价构建

function [p1,p2] = factorPremium(factorMat,retMat,order)

%% 参数说明

% factorMat：因子矩阵

% retMat：收益率矩阵

% order：true/false，正序或反序

% 返还30%多空和50%多空

%%

[tradeDate,~] = size(retMat);

p1 = nan(tradeDate,1);

p2 = nan(tradeDate,1);

for i=1:tradeDate

factor = factorMat(i,:);

ret = retMat(i,:);

d = quantile(factor,0.3);

u = quantile(factor,0.7);

short = mean(ret((factor=d)(~isnan(factor))));

long = mean(ret((factor=u)(~isnan(factor))));

if order

p1(i,1) 

= long-short;

else

p1(i,1) = short-long;

end;

d = quantile(factor,0.5);

u = quantile(factor,0.5);

short = mean(ret((factor=d)(~isnan(factor))));

long = mean(ret((factor=u)(~isnan(factor))));

if order

p2(i,1) 

= long-short;

else

p2(i,1) = short-long;

end

end

p1 = ret2tick(p1);

p2 = ret2tick(p2);

figure

plot([p1,p2])

legend('3-7','5-5')

xlim([1,tradeDate])

end

因子评价

function record = factorEvaluation(retIndex)

record = zeros(1,10);

n = length(retIndex);

retPer = tick2ret(retIndex);

record(1) = retIndex(end)-1; % 总收益

record(2) = retIndex(end)^(252/n)-1; % 年化收益

record(3) = std(retPer)*sqrt(252); % 年化波动

record(4) = record(2)/record(3); % 年化夏普

record(5) = mdd(retIndex); % 更大回撤

record(6) = record(2)/record(5); % 收益更大回撤比

mid = HurstCompute(retPer(2:end)); % Hust指数

record(7) = mid(1);

[~,~,record(8)] = vrt_full(tick2ret(retIndex),5); % 方差比率检验5日

[~,~,record(9)] = vrt_full(tick2ret(retIndex),10); % 方差比率检验10日

[~,~,record(10)] = vrt_full(tick2ret(retIndex),20); % 方差比率检验20日

[~,~,record(11)] = vrt_full(tick2ret(retIndex),60); % 方差比率检验60日

[~,~,record(12)] = vrt_full(tick2ret(retIndex),120); % 方差比率检验120日

end

三、各类因子评价

（1）动量因子

这里动量因子是衡量现在价格与均线价格偏离程度，即商品趋势性衡量，上期报告已有较为充分的描述，公式为：

图1：20日趋势动量因子

（2）时间序列动量因子

时间序列动量因子与动量因子稍有区别，为过去N日商品总收益率，其衡量的是总趋势性，而非短期偏离均线的趋势，运用也较多。当某些技术指标被广泛接受时，会产生自我实现的预期。表现较好的时间序列动量因子有60日和120日。

图2：60日时间序列动量因子

图3：120日时间序列动量因子

（ 3）偏度因子

偏度因子能够衡量商品期货的强弱程度，因为大单拉动趋势，小单反向操作时，会产生较高的偏度，因此偏度能够较好的捕捉人们交易行为，此外，偏度因子还代表着商品期货的博彩性质，偏度大的商品期货吸引更多资金前来对赌。我们采用的是过去N日收益率偏度来衡量，其中表现较好的为10日、20日、60日偏度因子。

图4：10日偏度因子

图5：20日偏度因子

图6：60日偏度因子

（4）其他因子

我们还总结了其他一些因子，包括流动性因子、资金流向因子、振幅因子、基差因子。

图7：流 动性因子

图8：资金流向因子

图9：振幅因子

图10：基差因子

四、综合评价

下面是各因子溢价的表现，同时我们还用Hurst指数和方差比率检验的t值来衡量因子趋势的筛检情况。大部分因子的短期趋势都较为明显，如果小资金操作，可以考虑每5天或者10天就重新学习一下特征，构建组合，从而降低回撤。

表1：各因子表现汇总

表2：因子趋势性衰减与Hurst指数

夏普比率和更大回撤到底怎么计算

你的迷惑主要来自于收益率怎么算吧。

如果按投资期两端相减再年化，结果是-1。如果日收益年化，那就是（-1+1+0.5)/3的年化，这样是正的。

依我看应该按后者来，前者的计算 *** 平滑掉了波动率偏差。和Ito积分里面的情况有点像。

要看什么类型的策略，假如买期权，一天亏完是有可能的，但是一天赚翻倍也是有的。要是你的信号亏完之一次，赚翻倍10次，还是好信号。（当然亏完是资金分配和止损不对，不过信号是好信号）

什么是期货mom，什么是期货mom帖子问答

CTA策略:CTA的核心在于分散投资。具体来说是以下三个维度：多品种、多策略以及多周期。简单地做一些计算，比如说你的策略一共覆盖了10个主流的品种，而策略类型则大致分为相关性较低的三类，并且这三类策略中每一个你都可以在5分钟、半小时和日线三个周期上去运行。那么即便你单独一个策略运行在一个品种的某一个周期上的夏普比率只有1甚至不到1，你最终组合的夏普比率可能运气好的话会在2左右。

期货MOM:MoM (Manager of Mangers) 模式，即管理人的管理人期货基金模式，也被称为精选多元管理人，通过优中选优的 *** ，筛选期货基金管理人或资产管理人，让这些最顶尖的专业人士来管理资产，而自身则通过动态地跟踪、监督、管理，及时调整资产配置方案，来收获利益。简而言之，MoM是找更优秀的投顾组成团队、分配资金、操盘投资，既发挥团队力量，又不限制个人风格。

尽职调查：云量网对拟投资管理人进行尽职调查，收集尽调材料，开展实地调研。主要对私募基金管理人，持牌机构，历史业绩统计，并交由投决会最终审核是否进入种子基金投顾池。

云量网: 秉持“用量化赋能投资”的理念，依靠强大IT技术后盾，致力于国内一站式量化投资技术服务。云量网旗下“云财富俱乐部‘’量化MOM种子基金‘’智能金融实验室”三大核心业务。在未来发展方向上，云量网一方面聚焦于针对个人和机构的量化投研服务，另一方面会选择优秀的量化投顾策略进行孵化，打造量化私募MOM基金。

云量网 目前期货MOM基金资金描述：

1、0.95清盘，管理型资金，风险由资方承担。

2、预期收益10%-15%，稳健风格。

3、融航，文华财经交易端

4、200万资金起投，3个月后视投资情况可追加资金。

5、收益二八分，20%归投顾，80%归资方。

对投顾的要求：

1、更好是专业团队，如果是个人，需要有较好的投资履历。

2、套利策略和量化策略。

3、提供半年以上交易记录。

4、资金盈亏比超过2.5：1。

5、账户管理规模至少100万以上。

基金指标详解

贝塔系数（beta）

贝塔系数衡量了资产的回报率对市场变动的敏感程度，代表了该资产的系统性风险，表示策略对大盘的敏感性。计算公式不作普及，看基金平台的数据就好。

通俗的来说，如果该系数为1，基金就和市场共同进退，如果该系数为1.1，市场上涨10%，基金上涨11%，市场下滑10%基金下滑11%。牛市中，由于是上涨趋势，贝塔系数高的基金收益更高；熊市中，贝塔系数低的基金表现好，更抗跌。

阿尔法系数（alpha）

虽然我们的策略会受到大盘的影响，但是每个策略都会有自己市场因素之外的收益，阿尔法值表示实际风险回报和平均预期风险回报的差额，衡量了投资的非系统性风险。计算公式：

（账户年化收益-无风险收益）-beta*（参考基准年化收益-无风险收益）。

高贝塔系数基金的收益，往往是大盘上涨带来的，不能体现基金经理的能力。所以引进了阿尔法系数。阿尔法系数越高，基金经理的操盘能力也就越强。而由这两个指标就引申出了一些基金经理所谓的贝塔策略和阿尔法策略。简单来说，贝塔策略依靠对市场大势的把握去选择合适的时机获得超越大盘的收益，而阿尔法策略则是依靠精选主题、个股来超越大盘。

以上两个指标衡量基金的相对表现情况，可结合基金经理投资策略进行参考。下面简单介绍下基金的风险指标。

夏普比率（Sharpe Ratio）

也叫报酬与波动性比率，可能是最常用的投资组合管理度量标准。它表示每承受一单位风险，会产生多少的超额回报。也就是说，同样增加1%风险的前提下，夏普比率较高的产品可能带来的超额回报更高。计算公式为：（账户年化收益率-无风险利率）/ 收益波动率。

这里有一个重点，一般来说预期收益率和波动率可通过计算历史年化收益率和其标准差去估算这两个值。随之而来的就有一个问题：同一个资产，不同周期频率收益率，算出来的夏普值，根本就不是一回事！

详细计算各位有兴趣的话可以用开篇的问题去试试，算不过来的话你就想想，一个产品，每天都盈利是不是比每年都盈利困难些呢？

所以在夏普比率的时候，一定要留意这个值的计算方式，否则很容易产生误判。自己计算的话，有两点要注意：

一是要结合自己的实际，比如高频策略当然得用日收益率，每周调仓的策略可以用周收益率；

二是对比策略优劣的时候，周期要一致，比如对比每日调仓的策略和每月调仓的策略，一定要换算到同一个周期上，才有可比性。

标准差

主要根据股价或基金净值在一段时间波动情况计算得来，广泛用于股票，基金投资风险的衡量。标准差反映的是基金总回报率的波动幅度，其数值越大，表明波动越厉害，风险程度也越大。

标准差到底有什么用？其实标准差比较小的话，他可能与你预期会比较相吻合。标准差太大，感觉就像赌博，心理没底。

更大回撤

更大回撤就是在选定周期内任一历史时点往后推，产品净值走到更低点时的收益率回撤幅度的更大值。，衡量了最极端可能的亏损。例如一个策略的更大回撤是50%，那么你使用这个策略之前就要掂量掂量，自己是否能经受得起50%的下跌。

网站首页：期货手续费网-加1分开户（微信：527209157）

本文链接：http://52ol.cn/post/138416.html