• 研究背景与因子来源 [page::0][page::3]

- 将股票市场利用价量相关系数的CPV选股因子思想，拓展至股指期货市场。
- 高频价量相关系数体现价格与持仓量间的多空信号，原始持仓量存在“山谷”形态问题。

• 持仓量形态问题及修正逻辑 [page::4][page::5][page::6][page::7]

- 2015年9月因手续费调整，T+0交易者交易行为改变，导致持仓量从“山峰”变“山谷”。
- 持仓量修正方法：基于成交量加权分配持仓量变化，剔除T+1交易者影响，反转T+0交易者持仓量变化，实现“退谷还峰”。
- 案例表格与实证数据展示修正过程与效果。

• 价量相关性交易策略构建及回测表现 [page::7][page::8][page::10]

- 以修正后持仓量与价格构建分钟序列，计算价量相关系数PV，PV>0做多，PV<0做空。
- 交易信号基于日终PV值产生，次日开仓，信号变化时调仓。
- 回测期2017.4-2020.4，沪深300股指期货上年化收益30.71%，波动19.46%，收益波动比1.58。
- 综合策略表现优于MA60基准策略，年化收益44.48%，最大回撤仅为10.34%，日度胜率57.27%。

• 交割周期和长假影响的调整处理 [page::8][page::9]

| 交易环境 | 交易日数 | 年化收益 | 日度胜率 | 备注 |
|---------|---------|---------|---------|-----|
| 交割周期且信号相同 | 51 | 8.00% | 68.63% | 当月与次月合约信号相同 |
| 交割周期且信号相反 | 93 | 0.05% 或负收益 | 52.69% 或更低 | 只在信号相同时交易，剔除其余信号 |
| 长假间隔3天 | 8 | 0.68% | 75.00% | 信号有效性较高 |
| 长假间隔>3天 | 11 | -0.50% | 45.45% | 信号失效，剔除 |
- 交割周期中剔除交割日信号，只交易当月与次月信号一致日期，提升策略稳定性。
- 长假导致信号穿越时段增大不确定性，剔除间隔超过3天的信号，避免损失。

• 核心优势与展望 [page::11]

- 策略零参数设计，完全基于市场微观行为和价量特征，保障了策略的稳健性和可迁移性。
- 未来计划将方法迁移至国债期货、商品期货、利率期货等多个资产类别。

“高频价量相关性拥抱CTA”系列研究（一）——CPV因子期货版

---

一、元数据与报告概览

报告标题： “高频价量相关性拥抱CTA”系列研究（一）——CPV因子期货版
发布机构： 东吴证券研究所，东吴金工团队
日期： 2020年6月18日
分析师： 高子剑（执业证号S0600518010001021-60199793）及研究助理沈芷琦
研究主题： 以高频价量相关性为基础，构建期货领域的CTA（Commodity Trading Advisor）交易策略，特别聚焦于期货持仓量的修正与价量关系。

核心论点：
本报告延续此前在股票市场中基于价量相关性的“CPV因子”研究思路，创新性地将价量相关性的技术分析方法拓展至股指期货领域。鉴于期货市场比股票市场多了持仓量这一关键变量，报告提出了针对期货持仓量“山谷”形态的不合理表现的修正方法，将其还原为体现市场多空意图的“山峰”形态，为构建稳健的CTA策略奠定了基础。最终通过修正持仓量计算期货价格与持仓量的相关系数，构建出策略，展现出显著优于传统基准的投资绩效。

核心策略表现：

• 回测周期：2017年4月至2020年4月，共728个交易日

- 有效交易日：635天，换仓283次

• 年化收益：44.48%

- 年化波动率：19.84%

• 收益波动比（Sharpe Ratio）：2.24

- 日度胜率：57.27%

• 最大回撤：10.34%

策略表现优异，净值图明显优于60日移动平均线（MA60）基准策略，且手续费（单边万0.23）影响极小，充分体现其稳健性和实际操作的可行性 [page::0,10,11]

---

二、逐节深度解读

1. 前言

报告开篇回顾了技术分析130多年来在金融市场的广泛应用，强调价量关系作为技术分析经典手段的重要性。利用两个典型股票（中公教育和微芯生物）分钟成交价与成交量的关系，阐述了“价量配合”（上涨放量、下跌缩量，强势股）与“价量背离”（上涨缩量、下跌放量，弱势股）的区别，说明价量关系能有效识别股票强弱。基于此，作者在之前研究中提出了“CPV因子”，即高频价量相关系数选股因子，剔除其他风格干扰后全市场表现优异，月度胜率高达87.32%，信息比率达3.43，最大回撤仅1.58%。本报告旨在继承此价值理念，将其迁移至期货市场，尤其考虑期货独特的持仓量因素。这奠定了本文研究和策略构建的基础背景 [page::3]

2. 修正后持仓量

2.1 持仓量的选择逻辑

与股票市场仅关注成交量不同，期货市场特有持仓量指标为研究者提供了更为纯净的市场供需、资金多空意愿信号。持仓量数据因代表着未平仓合约，更直接反映出投资者对未来走势的预期及多空力量的变化。故本文选择持仓量作为核心“量”指标，期望通过分析其结构和变化，揭示价量关系背后的真实市场信息 [page::4]

2.2 持仓量形态特征及其问题

期货持仓量的日内变化常呈现两种截然不同的形态：

• 山峰形态（图4）：日内持仓量先上升后下降，呈峰状。2015年9月前多见此形态，符合直觉，即开盘时T+0交易者不断进场，加仓使持仓量上升，收盘时离场减持，持仓量下降。

- 山谷形态（图5）：日内持仓量先下降后回升，呈谷状。2015年9月中金所提高“平今仓”手续费后（平今手续费为非平今手续费15倍），T+0交易者通过“留仓平衡”手法规避高手续费，即开盘后平仓买卖动作变复杂，使得持仓量先降低后回升。实际交易中，T+0交易者盘中大量减仓，导致持仓量下降，盘尾通过开仓平仓对冲维持净持仓，形成持仓量的谷底形态。

此“山谷”形态与市场实际多空动向背道而驰，原始持仓量数据不能直接用作价量关系分析，需进行修正，复原真实的多空动机 [page::4-6]

2.3 持仓量的修正路径

修正流程主旨是将持仓量从“山谷”形态改造为“山峰”，过程包括四步：

1. 计算持仓量变化（ΔOIi）与成交量变化（ΔVi）在各分钟点的差异。

2. 计算成交量占比权重：将当日总持仓量变化（ΔOI）根据成交量的比例分配到各分钟的持仓量变化上，得到$^{T+1}$交易者持仓量变化（ΔOI(T+1)i），反映隔夜交易者真实持仓变化。

1. 估算T+0交易者持仓变化（ΔOI(T+0)i）：由总持仓量变化减去$^{T+1}$部分变化，并乘-1，将“T+0交易者离场”修正为“进场”，以及其反向动作。

4. 累计修正持仓量：将修正后T+0交易者和T+1交易者的持仓量变化累积，获得修正的当分钟持仓量。

通过以上步骤，修正后的持仓量能准确反映T+0投资者的真实进出场意图，纠正原始数据导致的解读误差。表3的模拟演示数据和图6的实际修正案例进一步直观展现了从“山谷”向“山峰”的形态转变，提高了持仓量的数据信号质量，为后续价量相关性的有效提取提供了坚实基础 [page::6-7]

3. 修正后价量相关性交易策略

基于修正后的持仓量，策略设计步骤如下：

• 使用修正持仓量和对应分钟价格差分序列，计算价量相关系数PV值代表当日多空信号。

- 每日收盘后根据PV值判定方向：PV>0看多，PV<0看空。

• 次日开盘执行开仓或换仓操作，若连续信号方向相同则维持原仓位，否则平仓反向。

以沪深300指数期货为样本，回测2017至2020年非交割期交易日表现良好：年化收益30.71%、波动19.46%，收益波动比1.58，日度胜率55.60%，最大回撤11.49%。数据充分证明策略基于价量相关性构建的交易信号具有显著的预测能力和实用价值 [page::7-8]

4. 策略中其他重要处理

4.1 交割周期处理

期货交割期合约因流动性下降，价格和价量信号失真，从而影响策略准确性。采用措施：

• 剔除交割当日信号，避免价格趋于结算价带来错误信号。

- 对交割周期内其他交易日，只有当当月合约和次月合约信号一致时才交易。回测显示，当月与次月信号一致时经济效益明显（年化收益8.00%，胜率68.63%），而两信号不一致时不交易以避免亏损。此操作显著提升了信号的准确率和策略的稳健性 [page::8-9]

4.2 长假效应考虑

长假期间的价格走势受突发事件影响难以预测。回测表明：

• 两个交易日间隔3天时，策略表现优异（年化收益0.68%，胜率75%）。

- 超过3天间隔时，策略表现恶化（收益-0.50%，胜率<50%）。

因此策略剔除下个交易日间隔超过3天的信号，规避长假带来的预测误差，提高策略稳定性 [page::9]

5. 价量相关性综合策略表现对比

策略最终形成了一套完整的价量相关性CTA交易系统，并与传统以60日均线（MA60）为基准的策略进行对比：

• 综合策略年化收益44.48%，波动19.84%，Sharpe比2.24，最大回撤10.34%，日度胜率57.27%，换仓频率适中（283次），手续费1.30%。

- 基准MA60策略表现不佳，负收益-13.30%，波动率较高（20.98%），最大回撤达43.82%，日度胜率约为50%。

图7展示策略净值显著超越基准，回撤明显较小，验证了价量相关性策略的有效性和稳健性，为期货CTA策略提供了有力的实证支持 [page::10]

6. 报告总结

• 报告系统地将价量相关性思路从股票延伸至期货，通过深入研究T+0交易行为，针对持仓量形态偏差提出了细致的修正方法，成功复原了更加符合市场多空意图的持仓量分布。

- 利用高频数据计算修正价量相关系数，构建了完全零参数、理论和实证并重的CTA交易策略。

• 适当剔除交割周期和长假影响，策略取得年化超40%收益，风险控制良好，明显优于传统均线策略。

- 报告强调此策略设计无任何参数，充分体现因市场机制深入研究和数据驱动，具备很高的稳健性和推广潜力。

• 未来研究路径计划将该方法论迁移至国债期货、商品期货及利率期货等多个资产类别，具备广泛应用价值 [page::11]

7. 风险提示

报告多次强调所有结果基于历史数据，未来市场结构可能发生重要变化，历史表现不足以保证未来收益，投资者需谨慎。报告中未深度讨论的风险包括市场极端波动、模型失效、手续费变动等可能影响实际应用的因素 [page::0,11]

---

三、图表深度解读

图1与图2：股票价量关系示例

• 描述： 图1显示了中公教育2019年10月16日的一分钟单位成交量和收盘价走势。价格上涨时放大量，跌势时缩量，典型的“价量配合”，代表强势股。图2展示微芯生物同日走势，价格上涨却成交量逐渐减少，下跌时成交量爆发，典型“价量背离”，代表弱势股。

- 解读意义： 这两张图表演示价量关系在股票市场中作为判断个股强弱的经典理论基础，为后文将在期货领域做类似价量关系研究提供直观示例。

• 关联文本： 价格和成交量的正相关代表买方强势，反之则暗示弱势。

- 局限性： 仅限股票市场，不适用于期货持仓量结构，需要发展更复杂模型 [page::3]

图3：CPV因子多空对冲净值走势

• 描述： 展示基于股票市场CPV因子（价量相关系数）的多空对冲策略净值表现（蓝色线代表CPV因子，灰色线传统反转因子，红色线纯净CPV）。

- 解读趋势： CPV因子净值长期稳定攀升，纯净CPV因子表现最佳，表明价量相关系数在股票市场具备卓越的预测能力和选股价值。

• 联系文本： 显示此因子除去行业和风格因素后信息含量高，作为衍生期货因子构建的理论出发点。

- 限制： 数据仅涵盖股票，需验证迁移到期货市场的有效性 [page::3]

图4与图5：期货持仓量“山峰”与“山谷”对比

• 描述： 图4为清晰的持仓量先升后降的“山峰”形态，图5为反向“山谷”形态，二者存在时间点调整差异，反映出不同T+0交易行为影响。

- 趋势分析： 山峰符合直觉T+0行为，山谷则是手续费政策改变后特殊策略产生，二者呈现期货持仓量数据可能出现解读误差现象。

• 文本联系： 强调持仓量形态对理解期货市场多空力量的重要性，提示需修正“山谷”现象。

- 数据来源局限： 持仓量受交易规则、手续费变化影响显著，需动态调整修正模型 [page::4-5]

图6：持仓量修正案例

• 描述： 当日持仓量原始线条呈“山谷”，修正后明显转为“山峰”，市场收盘价走势平稳显示修正效果合理。

- 趋势解读： 通过T+0和T+1交易者持仓拆解，数据还原更加贴合交易行为，有助真实反映多空力量变化。

• 文本联系： 佐证所提修正方法有效，纠正原始数据偏差。

- 潜在局限： 具体权重分配依赖成交量占比，极端成交时段或流动性枯竭可能影响修正准确度 [page::7]

图7：策略与基准净值对比

• 描述： CTA策略净值（蓝线）持续上升明显优于基准MA60策略（灰线）且回撤更小（灰色竖直条）。

- 趋势说明： 显示价量相关性策略具有更强的趋势跟踪和风险控制能力。

• 文本联系： 确认本文提出的策略显著超越传统技术指标基准，表现出较高的收益/风险比。

- 局限性： 回测表现可能存在未来市场结构变化导致的策略表现折射风险 [page::10]

各表格：

• 表1与表2（T+0交易者多空模拟）详述了手续费引导下T+0交易者平仓开仓操作路径，形象说明持仓量由“山峰”转“山谷”的根因，体现了政策对市场微观行为的深刻影响 [page::5-6]

- 表3 持仓量修正举例，演示了从原始持仓到修正持仓量的数值计算过程，具体数据验证修正方法的数学合理性 [page::7]

• 表4-7分别统计非交割周期、交割周期、长假前后对策略表现的细分回测数据，验证了交易信号剔除策略（剔除交割日、长假信号等）的必要性及效果，从侧面证明了策略的综合考虑市场微观机制及节奏的细致与严谨 [page::8-11]

---

四、估值分析

本报告专注于期货CTA策略的构建与性能表现，属于策略开发与实证研究范畴，未涉及传统资产估值方法（如DCF、市盈率、市净率等）。策略目标是通过价量相关系数信号提供交易决策，核心输出为策略绩效指标（年化收益、波动率、最大回撤等），不直接涉及企业或资产的估值估算。因此本报告不包含估值分析部分。

---

五、风险因素评估

• 历史数据局限： 报告多次强调所有统计结果均基于历史数据，未来市场结构、制度、流动性等可能发生变化，导致策略性能下降甚至失效。

- 市场极端事件风险： 策略虽考虑了长假效应及交割影响，但大幅且突发的市场波动仍可能引发策略亏损超过预期。

• 手续费及流动性风险： 交易手续费设置为单边万0.23，实际手续费可能因市场环境变化而调整，影响策略净收益。流动性不足时可能引发执行风险。

- 模型假设风险： 持仓量修正假设主要依赖成交量加权分配，极端行情或政策变化可能使假设失效。

• 信号误差风险： 交割期合约换月信号不一致时的交易剔除设定，以及对长假信号剔除可能导致交易时机错失或信号丢失。

报告未详细讨论对应的缓解策略，更多侧重于历史回测排除不确定性，读者需注意实际操作风险 [page::0,8-11]

---

六、批判性视角与细微差别

• 策略无参数设计的优劣： 作者强调策略零参数设计保证稳健性，但实际市场中无参数设计可能下降灵活性，对市场结构变化反应滞后，建议后续结合动态参数优化提高适应性。

- 手续费和滑点的影响： 报告手续费较低，未涉及滑点等交易成本，可能低估实际执行风险。

• 交割期信号处理较为粗糙： 虽考虑信号一致性进行交易选择，但可考虑更精细的信号融合方法提升交割期表现。

- 样本期间于特殊市场环境： 回测时间涵盖部分牛市行情，未来不同阶段策略表现仍需持续验证。

• 风险揭示较简单，未阐述宏观政策变化、极端事件等可能带来的策略失效风险细节。

---

七、结论性综合

本报告成功构建了基于高频价量相关性的股指期货CTA策略，通过巧妙修正期货持仓量“山谷”形态的技术难题，实现多空力量的真实反映。利用分钟级持仓与成交量数据，加权分配日内持仓变化，区分T+0与T+1投资者持仓行为，显著提高了价量相关系数指标的准确性和解释力。策略回测显示，剔除交割日和长假异常信号后，补充换月合约交割期处理方案，最终综合策略取得年化44.48%的收益表现，远超传统均线基准，且波动率和最大回撤均得到有效控制，展现出极佳的收益风险比。

图表全面支持了策略构思与执行逻辑，从股票市场CPV因子验证，到期货持仓量形态对比和修正，再到策略绩效对比，报告充分体现了理论驱动与数据实证的结合。零参数无调节的策略结构凸显其研究厚重的理论基础及对市场微观机制的深入理解，为期货CTA领域提供了创新且可靠的新思路。

报告建议关注交割期及长假影响的特殊处理，以及手续费和市场环境的变化所带来的潜在风险，提醒读者审慎投资，未来研究将继续拓展该价量相关性方法在多品种、多期货市场上的应用，兼具广泛适用性和极强的市场实践意义。

综上，报告展现了一个系统、创新且经过细致回测验证的高频价量相关CTA策略体系，呈现出显著的应用前景和稳健性评价，是期货多空策略设计的重要参考范例 [page::0-11]

---

图表引用

• 报告中关键图表请见相对路径：

以上，涵盖了报告关键图示与数据支撑，配合文字解读可深入理解研究成果。

---

本分析旨在全面客观解读报告内容与数据，不包含任何非报告来源的观点。

报告