【维克】商品CTA策略：期货市场的量化主战场

"善战者，求之于势，不责于人。"

——《孙子兵法·兵势篇》

将军不苛责士兵，

而是善于借助"势"。

量化交易也一样——高手不跟市场较劲，

而是顺着市场的水势，顺势而为。

而商品期货，就是那个"势"最汹涌的地方。

被误解最深的策略

一说到CTA，很多人第一反应是："哦，就是做期货的，风险很大。"

这个印象，对了一半。CTA确实做期货，风险也确实是它的一部分。但把CTA等同于"高风险赌博"，是最大的误解。

我入行第三年，遇到过一个做CTA的前辈。他在一家老牌私募管着一只CTA产品，年化收益不到20%，但最大回撤只有8%，夏普比率1.8。这个数据，在股票多头里算是顶尖的。

我问他："你靠什么做到的？"

他说了三个字："活得久。"

后来我才慢慢明白，CTA这个策略的精髓，不是"赚得多"，而是"在别人亏钱的时候，你还能赚钱或者不亏"。2022年A股大跌，很多股票多头亏得惨不忍睹，而CTA策略，那一年普遍是正收益。

CTA的独特价值，在于它和股票的相关性低。股票跌的时候，CTA可能涨；股票涨的时候，CTA也不一定差。这种"低相关"，让它成为资产配置里的"压舱石"。

今天这篇，我就把商品CTA这件事讲透。讲清楚CTA是什么、它在期货市场有哪些天然优势、商品期货的品种特性，以及——国内的量化环境到底怎么样。

Why：为什么CTA值得单独研究？

一、CTA和股票的低相关性，是它最大的价值

先说一个数字。

长期来看，股票多头和CTA策略的相关系数，通常在0.2到0.4之间。也就是说，它们大部分时间是"各走各的"。

这个"低相关"，在资产配置里的价值巨大。因为如果你只持有股票，市场大跌时，你的组合就跟着大跌。但如果你在股票之外，配一部分CTA，那么市场大跌时，CTA可能赚钱，对冲掉一部分损失。

这就是为什么，全球的大型机构（养老金、主权基金、捐赠基金），几乎都会配置CTA。不是为了赚最多的钱，而是为了让整个组合更"抗打"。

二、期货市场的天然优势：双向、T+0、杠杆

CTA之所以能做出和股票不一样的收益，是因为它交易的期货市场，天生就有三个股票没有的优势：

优势一：双向交易。

股票只能做多（A股融券做空成本高、券源少），但期货可以做多也可以做空。这意味着，无论市场涨还是跌，只要有趋势，CTA就能赚钱。

这一点太重要了。股票策略在熊市里，最多只能"不亏"，很难赚钱。但CTA在熊市里，可以做空，照样赚。这就是为什么2022年股票惨跌，CTA还能赚钱。

优势二：T+0。

期货是T+0交易，当天买入当天就能卖出。这意味着策略可以日内进出，捕捉短周期的机会，也意味着止损可以做得更及时。

优势三：杠杆灵活。

期货是保证金交易，通常有5-10倍的杠杆。这意味着，你用较少的资金，就能控制较大的头寸。当然，杠杆是双刃剑——它放大收益，也放大风险。但对量化策略来说，杠杆提供了资金效率：同样的资金，可以分散到更多品种上，降低单一品种的风险。

三、商品期货的品种多样性，提供了丰富的策略空间

商品期货覆盖了农产品、工业品、贵金属三大类，每类都有自己的"脾气"。

•农产品：受季节性和天气影响，有规律的周期。

•工业品：受宏观经济和周期影响，波动大、趋势强。

•贵金属：受避险需求和实际利率影响，和美元、利率负相关。

品种越多，策略的空间越大。你可以做趋势、做套利、做跨品种、做跨期。这是股票市场很难提供的丰富度。

What：CTA策略到底是什么？

一、CTA的定义

CTA，全称 Commodity Trading Advisor（商品交易顾问），最早是美国的说法，指那些在期货市场提供交易建议或管理期货账户的专业机构。

在量化语境里，CTA泛指以期货为主要交易标的的量化策略。它不限于商品，也可以交易股指期货、国债期货、外汇期货等。

二、CTA的三大分类

第一类：趋势跟踪型（Trend Following）

核心逻辑：顺势而为。价格一旦形成趋势，就跟着趋势做多或做空，直到趋势结束。

代表策略：双均线交叉、通道突破、动量指标。这是CTA里最主流、最经典的一类。

特点是：胜率不高（可能只有40%），但盈亏比很高。因为它靠少数几笔大趋势赚钱，大部分时候是小亏。资金曲线特征是"长期横盘 + 偶尔暴涨"。

第二类：套利型（Arbitrage）

核心逻辑：赚取价差的均值回归。利用相关品种之间的价差偏离，做多低估的、做空高估的，等价差回归获利。

代表策略：跨期套利（同一品种不同月份合约）、跨品种套利（螺纹钢vs铁矿石）、期现套利。

特点是：胜率高、盈亏比低。大部分时候小赚，偶尔因为价差不回归而大亏。资金曲线特征是"稳步向上 + 偶尔回撤"。

第三类：复合型（Hybrid）

核心逻辑：趋势 + 套利组合。用趋势策略提供方向暴露，用套利策略提供收益增强。两者互补，平滑资金曲线。

这是目前主流CTA产品采用的模式（第118篇会详细讲）。

三、三类CTA的对比

四、商品期货的品种特性

要玩好CTA，你必须懂品种的"脾气"。我按三大类拆：

农产品：季节性驱动

农产品的核心逻辑是种植周期。大豆有南美播种季、美国收获季；白糖有榨季；玉米有播种、生长、收获三个窗口。每个窗口，供需关系都在变，价格也随之波动。

农产品的机会，在于季节性的规律性。但风险在于，天气异常会打破规律（比如厄尔尼诺、拉尼娜）。

工业品：周期性驱动

工业品（螺纹钢、铁矿石、铜、原油）的核心逻辑是宏观经济周期。经济扩张，需求旺盛，价格涨；经济收缩，需求疲软，价格跌。

工业品的特点是趋势强、波动大。因为它的供需变化剧烈，而且受政策和库存影响明显。这是趋势跟踪策略最喜欢的品种。

贵金属：避险驱动

黄金、白银的核心逻辑是避险需求和实际利率。地缘冲突、通胀高企时，黄金涨；美元走强、实际利率上升时，黄金跌。

贵金属的特点是和美元、美债收益率负相关，而且有"避险属性"——在市场恐慌时，它是资金的避风港。

How：国内商品期货的量化环境怎么样？怎么上手？

一、国内商品期货市场的量化环境

国内商品期货市场，有几个特点你必须知道：

特点一：品种丰富，流动性好。

国内三大商品交易所（上期所、大商所、郑商所），加起来有60多个商品期货品种。主流的品种（螺纹钢、铁矿石、豆粕、白糖、原油等），日均成交额都在百亿以上，流动性非常好。

特点二：个人可以参与，门槛适中。

商品期货开户，资金门槛相对较低（不像股指期货需要50万验资）。这给个人量化交易者提供了机会。

特点三：夜盘交易。

很多品种有夜盘（晚上21:00到凌晨），和外盘联动。这对跨市场策略（第113篇）很有用。

特点四：保证金和杠杆。

国内商品期货保证金通常在5%-15%之间，杠杆5-20倍。杠杆灵活，但风险也大。

二、CTA策略的基本框架

一套完整的CTA策略，通常包含四个模块：

1.信号模块：判断该做多还是做空（趋势、动量、均值回归等）。

2.品种选择模块：决定交易哪些品种。

3.仓位管理模块：决定每个品种投多少钱（通常按波动率倒数分配）。

4.风控模块：止损、最大回撤控制。

三、用代码构建一个多品种CTA框架

下面这段代码，帮你搭建一个最朴素的"多品种趋势CTA"框架。它遍历多个品种，用均线判断趋势方向，并按波动率分配仓位。每一行都有注释。

// python
# ============================================
# 多品种趋势CTA框架
# 功能：对多个期货品种，用双均线判断趋势，
# 按波动率倒数分配仓位
# ============================================
import numpy as np # 用于数学计算

# 第一步：定义交易的品种池
symbols = ['螺纹钢', '铁矿石', '豆粕', '白糖', '黄金', '原油']

# 第二步：定义策略参数
short_window = 5 # 短期均线天数
long_window = 20 # 长期均线天数
target_vol = 0.15 # 目标组合波动率（年化15%）

# 第三步：模拟每个品种的收益率序列（实际中从数据源获取）
# 这里用随机数模拟，真实使用时应替换为真实价格数据
np.random.seed(42) # 固定随机种子，保证结果可复现
returns = {s: np.random.normal(0.0003, 0.015, 250) for s in symbols}

# 第四步：对每个品种计算趋势信号
# 信号 = 1 表示做多，-1 表示做空
signals = {}
for s in symbols:
r = returns[s]
# 计算短期和长期均线（用累计收益模拟价格）
price = np.cumprod(1 + r) # 把收益率还原成价格序列
ma_short = np.convolve(price, np.ones(short_window)/short_window, 'valid')
ma_long = np.convolve(price, np.ones(long_window)/long_window, 'valid')
# 对齐长度：取最后一段
n = min(len(ma_short), len(ma_long))
ma_short, ma_long = ma_short[-n:], ma_long[-n:]
# 短均线在长均线之上 → 做多；否则做空
signal = np.where(ma_short > ma_long, 1, -1)
signals[s] = signal

# 第五步：按波动率倒数分配仓位
# 波动率大的品种少配，波动率小的品种多配
# 这样每个品种对组合的风险贡献大致相等
vols = {s: np.std(returns[s]) for s in symbols} # 每个品种的波动率
inv_vol = {s: 1.0 / vols[s] for s in symbols} # 波动率倒数
total_inv_vol = sum(inv_vol.values()) # 倒数和
weights = {s: inv_vol[s] / total_inv_vol for s in symbols} # 归一化权重

# 第六步：计算组合收益
# 组合收益 = Σ(品种权重 × 品种信号 × 品种收益)
portfolio_return = np.zeros(250)
for s in symbols:
sig = signals[s]
# 信号长度可能和收益长度不同，取最短对齐
n = min(len(sig), len(portfolio_return))
portfolio_return[-n:] += weights[s] * sig[-n:] * returns[s][-n:]

# 第七步：输出结果
print("=" * 55)
print("【多品种趋势CTA回测结果】")
print("=" * 55)
print("\n各品种仓位权重（波动率倒数分配）：")
for s in symbols:
print(f" {s}: 波动率{vols[s]:.3f} → 权重{weights[s]:.1%}")

cum_ret = np.cumprod(1 + portfolio_return) # 累计净值
print(f"\n组合累计收益：{cum_ret[-1] - 1:.1%}")
print(f"组合年化波动：{np.std(portfolio_return) * np.sqrt(250):.1%}")

逐行讲解：

•第1步：定义品种池。真实交易中，你可以扩展到十几个品种，越分散越好。

•第2步：策略参数。短均线5天、长均线20天，这是最经典的双均线参数。

•第3步：模拟数据。真实使用时，这里要换成从数据源获取的真实价格。用np.random.seed固定随机种子，是为了让结果可复现。

•第4步：计算趋势信号。核心是"短均线在长均线之上就做多，否则做空"。np.convolve是卷积运算，用来算移动平均。注意这里用price = np.cumprod(1+r)把收益率还原成价格序列。

•第5步：按波动率倒数分配仓位——这是CTA最核心的仓位管理方法。波动率大的品种（比如原油），少配一点；波动率小的品种，多配一点。这样每个品种对组合的风险贡献大致相等，避免了"某个高波动品种绑架整个组合"。

•第6步：计算组合收益。组合收益 = Σ(权重 × 信号 × 品种收益)。这里要注意对齐长度，因为均线计算后序列会变短。

•第7步：输出权重和收益。你可以看到，波动率越高的品种，权重越低。

这段代码，就是一套CTA策略的"骨架"。你可以在这上面加信号（换成动量、突破）、加品种、加风控。

四、CTA策略的三个关键认知

认知一：CTA赚的是"趋势"和"波动"的钱。

趋势市里，趋势策略赚钱；震荡市里，套利策略赚钱。CTA的核心，是在不同市场环境下都能找到赚钱的方式。

认知二：仓位管理比信号更重要。

很多人以为CTA的关键是"找到好的入场信号"。其实不是。CTA的关键是仓位管理——怎么分配资金、怎么控制风险。同样的信号，不同的仓位管理，结果天差地别。

认知三：CTA需要"耐心"。

趋势策略的资金曲线是"长期横盘 + 偶尔暴涨"。你可能连续几个月不赚钱，然后一个月赚回全年的收益。没有耐心的人，会在横盘期放弃，然后在暴涨前离场。

总结

我们把商品CTA捋了一遍。

为什么值得研究？因为它和股票低相关（0.2-0.4），是资产配置的"压舱石"。股票跌的时候，它可能涨，让整个组合更抗打。

它是什么？是以期货为主要标的的量化策略，分趋势跟踪、套利、复合三类。期货市场有双向、T+0、杠杆三大优势，品种覆盖农产品（季节性）、工业品（周期性）、贵金属（避险性）。

该怎么做？四模块框架：信号 → 品种选择 → 仓位管理 → 风控。核心是按波动率倒数分配仓位，让每个品种风险贡献均衡。

最后送你一句话。

CTA这个策略，最反人性的地方在于——它不追求"每笔都赚"，而是追求"长期为正"。你要接受大量的"小亏"，等待那几笔"大赚"。这和大多数人"想每天赚钱"的本能，是冲突的。

但恰恰是这种"反人性"，让CTA长期有效。因为大部分人熬不住横盘期，中途放弃了。而坚持下来的人，吃到了那几笔决定全年收益的大趋势。

在这个市场里，赚大钱的，从来不是最聪明的人，而是最有耐心、最能忍受"无聊"的人。