CTA策略的“中庸之道”.docx

《CTA策略的“中庸之道”.docx》由会员分享，可在线阅读，更多相关《CTA策略的“中庸之道”.docx（15页珍藏版）》请在第一文库网上搜索。

1、文献来源文献来源:NPB Bollen, MC Hutchinson, J OBrien. When It Pays to Follow theCrowd: Strategy Conformity and CTA Performance Journal of FuturesMarkets.文献亮点：在权益基金的研究中，投资者发现持仓组合的特异性越高，随后变现越强，这表明权益投资的与众不同往往反映着投资人卓越的投资能力。但当我们研究CTA基金业绩表现时，我们发现基金净值表现与同行相关程度更大，则业绩表现更好。这些结果表明，CTA策略本质上均是获取动量因子的风险溢价，策略独特性很难体现，整体上均是

2、给投资者投资动量因子的一种工具；更”从众的CTA策略，未来具有更强的业绩表现。引言CTA策略是理想的绝对收益型策略。Moskowitz等人(2012)发现，期货市场具有很强的序列相关性，而且多元化的CTA交易策略所产生的夏普比是股票市场的两倍以上。但市场上已有的CTA产品业绩差异较大，如果只看其业绩中位数水平，近年来表现不佳。那么是否有合适的方式能够帮助投资人挑选好的CTA策略或产品？我们借鉴了对冲基金业绩预测的文献，来构建筛选CTA策略的方式。对于一些对冲基金经理的成功，一个被广泛接受的解释是他们有显著区别市场的独特能力。Titman和Tiu (2010)以及Sun等人(2012)提出两个方

3、法衡量对冲基金的独特性，用于预测其未来业绩。文献表明，当一个基金与它的风格属性的相关性较低时，它的策略独特性指数(以下简称SDI)就越高。统计意义上，SDI最高的基金的表现比SDI最低的基金要好3.5%0类似的结果也出现在研究公募基金的文献中。Titman和Tiu (2010)以及Sun等人(2012)表明，具有差异化交易策略的对冲基金表现出色。策略拥挤度越高，模仿者越多，策略的潜在收益就越低。但我们猜想，对于CTA来说情况可能正好相反。首先，正如Goetzmann等人(2003)所描述的，考虑到典型的对冲基金业绩对赌合同，普通经理人可能会主动承担更多特质风险，以希望获得较高的业绩和报酬。与这

4、一概念相符，Bollen (2013)表明，具有高特质性风险的对冲基金(以因子模型的R2衡量)的失败率更高。因此，技术高超的经理人不会尝试纠正市场上的错误定价，而是从其持续中获利。Brunnermeier和Nagel(2004)提供了一个突出的例子：许多对冲基金经理在互联网泡沫膨胀时大量投资科技股，但却能在崩盘前减少风险。而由于商品具有强大的时间序列动量，CTA经理必须决定是跟随趋势还是追求独特的交易策略更有利可图。在本文中，我们通过测量SDI和后续CTA表现之间的关系来研究这个问题。我们发现，与对冲基金形成鲜明对比的是，拥有更多差异化策略的CTA表现不如那些顺应趋势的“从众” CTAo我们使

5、用1994年1月至2015年7月的CTA样本的回报数据，以24个月的滚动窗口计算每个CTA的SDI,并与其风格对比。我们按照Sun等人(2012)的做法，用聚类的方法定义CTA投资风格。有关共同基金和对冲基金的文献表明，在描述横截面的过去和未来业绩方面，聚类通常优于自我分类的风格。我们的实证分析包括三个部分。首先，我们用CTA复制了 Sun等人(2012)的主要测试。最重要的结果是关于策略独特性的差异和未来CTA业绩差异之间的关系。我们根据CTA的SDI水平形成投资组合，然后考察投资组合的后续表现。我们发现,较高的策略特异性与未来业绩显著负相关，这与Sun等人(2012)对对冲基金的发现完全相

6、反。当我们根据SDI将基金5组分档时，低SDI五分位的CTA产生的平均年回报比高SDI的CTA高出5%,具有较少特色策略的基金表现显著更好。第二，我们尝试找出CTA策略中位数水平本质是在交易什么。我们使用基于动量一个简单趋势策略，作为代理变量。我们首先将CTA策略的收益与我们假设的动量策略的收益进行回归。低SDI组的平均回归系数为0.67,在68%的情况下是显著的，而高SDI组的平均系数为-0.01。因此很明显，“从众”的CTA是在共同追寻动量，而与众不同的CTA则不是。我们还发现，SDI和后续CTA表现之间的关系取决于简单动量的盈利能力。当动量的回报率为正时，SDI和CTA表现之间存在反向关

7、系，也就是说，从众的CTA表现较好。当动量的回报为负数时，比如牛市下跌或是熊市拉升时,SDI和CTA表现之间存在正向关系。这结果表明，投资者可以使用CTA作为投资于动量的工具。第三，我们评估投资者是否可以使用SDI作为指标来选择一个CTA策略组合以获取超额收益。按Bollen等人(2019)的做法，我们在整个样本期间每年从每个SDI分组中随机抽取五个CTA,并持有一年。我们重复1,000次来获得产生结果的分布。从低SDI分组中选出的投资组合产生了 6.30%的平均年回报，而从高SDI分组中选出的投资组合只有0.66%o从最高和最低五分位数中选出的投资组合的风险调整后业绩差异也是非常显著的。这一

8、结果表明，SDI传递的信息足够精确，使得投资者在选择CTA时可以获得显著的超额业绩。本文主要有两个贡献。首先，我们有助于解决最近关于CTA表现的矛盾证据。如前所述,Bhardwaj等人(2014)报告说,CTA在1994-2012年期间产生的平均回报基本上等于无风险利率。这一结果与包括巴菲特在内的许多从业者的观点一致，即投资者应避免将商品作为一种资产类别。然而，Moskowitz等人(2012年)发现商品中的动量交易利润很高。我们在各种分析中表明，坚持以动量为基础策略的CTA的表现显著地超过了那些不这样做的CTAo因此，即使整体上CTA表现不佳，利用动量策略的CTA通常表现会较好。第二，更广泛

9、地说，我们对策略特异性和主动管理投资组合表现的关系做出了更深的研究。一方面，策略特质化程度高可能因为经理有独特投研能力；另一方面，经理人的激励不充分也会带来大量的代理成本问题，基金经理会倾向于冒险和博弈来获取更高回报。在CTA中，成功的CTA经理人可能一般都是依靠动量盈利。在这种情况下，从众而不是求异的投资策略可能是最佳策略。文献回顾有一些研究专门关注CTA, Fung和Hsieh(1997)使用主成分分析，表明CTA有一种主导的投资风格，他们认为这是趋势跟踪。Fung和Hsieh(2001,2004)使用期权策略的回报来模仿成功的趋势跟踪策略的回报。在我们的研究中，我们关注的是标准动量策略形

10、式的趋势跟踪。当趋势发生突然转变时，趋势跟踪就会失败，就像美国联邦储备局在2008-2009年金融危机，其导致动量交易者产生了巨大的损失。虽然Fung和Hsieh的因子后来被广泛用于模拟对冲基金的回报，但它们最初是被指定用于模拟趋势跟踪CTA回报。当然，Fung和Hsieh (2001, 2004)研究的趋势跟踪策略在市场具有强劲势头时可能表现良好。趋势跟踪完全依赖过去的价格走势来产生预期的期货价格：它不涉及基本面的分析，所有的交易决策都基于资产价格的“趋势”，这与资产价格的序列相关性有关(Fung和Hsieh(2001 )。与这一观点一致，Fung和Hsieh(1997)表明，在股票市场最好

11、和最差的月份，趋势跟踪的回报最大。最近，Moskowitz等人(2012)通过在过去12个月收益为正的资产中建立多头头寸，并做空过去12个月收益为负的资产，形成时间序列动量组合，以捕捉期货市场的序列相关性。Moskowitz等人发现该组合具有较高的盈利表现。有证据表明，CTA的收益与时间序列动量高度相关，这可以被认为是一种趋势跟踪(Ba代as和Kosowski (2013)。我们的论文为这一研究思路做出了贡献，我们确定了交易方式最为相似的CTA子集，并将其共性与期货市场的动量联系起来。我们既使用了 Moskowitz等人(2012)论文中基于12个月回溯期和1个月持有期的单一动量因子,也使用了

12、 Baltas和Kosowski (2013)的三因子模型，包括以天、周和月为单位的时期，来评估CTA采用的具体动量策略。研究方法SDI本研究的一个核心目的是检验Sun等人(2012)所记录的策略独特性与后续基金业绩之间的关系是否也适用于CTAoSun等人(2012)的策略独特性指标(SDI)定义为：SD* = 1 - coF(Q,)(1)其中SDL是基金i在时间t的策略独特性指标，乃是基金i的回报率，%是基金i所属群组的回报率。时间t的相关性是根据前24个月的数据计算的，其中至少要有12个月的数据样本。在这个窗口中，所有可用的基金都被划分为不同群组，使一个群组内的所有基金都具有最高的群组相关

13、性。目的是以客观的方式定义风格类别，而不依赖于基金自我报告的风格。具有高SDI的基金，其回报与同行的相关性较低，可能是因为经理在追求独特的交易机会，因此Sun等人(2012)将其解释为对于对冲基金经理水平的一种衡量方式。聚类：定义风格和识别同行衡量SDI需要将每个基金归入一个风格类别。关于共同基金和对冲基金的文献表明，在预测横截面的过去和未来业绩方面，统计聚类通常优于自我分类(Brown and Goetzmann (1997)和 Brown and Goetzmann (2003)。即使是高度监管的共同基金在使用自我报告的风格时也容易出现错误分类(Brown和 Goetzmann (1997

14、), Chen 等人(2019)。我们按照Brown和Goetzmann (2003)的做法，使用一个迭代过程来生成我们的聚类。聚类的目的是找到一个优化的基金分组，使所有基金到它们所属的类距离最小。我们把群组的成员基金的平均收益时间序列作为这个群组的收益。每个季度，我们用前24个月中至少12个月的回报率来计算每个基金与每个集群之间的距离。我们指定了八个群组，以配合BarclayHedge中主要风格的数量。下图显示了我们样本中基于聚类的CTA的SDI直方图，以及基于BarclayHedge的自我报告风格分类的SDI直方图。基于聚类风格的SDI的平均值为0.47,而基于BarclayHedge风格

15、的SDI的平均值为0.58,这表明，基于聚类划分风格的CTA之间的关联度更高。对SDI的两个累积分布进行Kolmogorov-Smirnoff检验，得到的检验统计量在1%的显著性水平下比临界值大10倍，因此拒绝两个分布是等价的假设。比较两者的另一个方法是衡量SDI大于1的CTA的百分比，大约有10%的基金的BarclayHedge风格SDI大于1,而使用聚类时,只有2.5%。这些结果说明了聚类方法能够更有效地将CTA分配到采用类似策略的同行群体中。图1 : SDI直方图IlepKVd in Ngck is theof SOI wficn corrcbhon，orcbetween a (und$ returm and tfur fdurmof its Ie cluster uwng the Brown and Goa/mann dintcnng algAiruhm Dcpiclcxi in pey han z l he hczprwn SI 5%twn conchiMim arc meuAured bctuccn fund murm md (he teturm c” m pMifolui o all