CTA策略的“中庸之道”
由crisvalentine创建，最终由crisvalentine 被浏览 170 用户
报告摘要
基金特异度与未来业绩表现
对于传统的对冲基金（公募基金）而言，一只基金产品的持仓、净值越不“从众”，其未来表现越强，一个特异性程度较高的基金往往意味着基金经理人拥有更独特的投资技巧。
CTA的“从众”属性
本文聚焦于CTA类型策略，通过实证发现CTA策略的特异性与未来业绩表现显著负相关，与对对冲基金的发现完全相反。当根据SDI（策略特异度指数）将CTA策略5组分档时，低SDI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。
“从众”的CTA本质在交易什么
SDI较低的CTA策略在动量因子上的暴露很大，而SDI较高的CTA策略在动量因子上暴露不显著，故“从众”的CTA本质上为投资者提供一个投资动量的工具。在CTA领域里，成功的CTA经理人一般都是依靠动量盈利。在这种情况下，对于投资而言，考虑到信息不对称问题，选择从众而不求异的CTA是最优解。
文献来源
文献来源:NPB Bollen，MC Hutchinson，J O'Brien. "When It Pays to Follow the Crowd: Strategy Conformity and CTA Performance" Journalof Futures Markets
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%。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”CTA。我们使用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%。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CTA。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（Baltas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CTA。Sun等人（2012）的策略独特性指标（SDI）定义为：
其中SDI(i,t)是基金i在时间t的策略独特性指标，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 andGoetzmann（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），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。
业绩指标
我们测试了SDI与四种业绩指标之间的关系：超额收益、评估比率、夏普比率和防操纵业绩指标。
超额收益（alpha）是超出风险因子暴露的预期收益之外的收益。我们使用Fung和Hsieh（2004）的七因素风险模型来衡量CTA的风险暴露和α。评估比率（AR）是由Treynor和Black（1973）开发的，定义为基金的估计超额回报率除以其标准误。夏普比率为CTA超过无风险利率的平均回报除以其回报的标准差。
Goetzmann等人（2007）发现经理人可以通过一系列方式来调整他们的标准业绩指标使其看起来水平高超。他们对此的解决方案是使用防操纵业绩指标（MPPM）：
其中T是观察值的数量，Δt是观察值之间的时间间隔，rt和rft和分别是CTA收益率和无风险利率，是风险厌恶参数。MPPM可以被解释为风险厌恶的投资者使用CTA组合等风险投资，换取无风险资产所能接受的最小增量回报。换句话说，它是无风险回报和风险投资中确定性回报之间的差异。Goetzmann等人（2007）认为该指标通常在2到4之间变化。我们采取Sun等人（2012）的做法，使用3作为数值。防操纵业绩指标的统计能力是用bootstrap法来估计的。我们以此确定p值，从而确定投资组合之间MPPM值差异的统计意义。
\
数据
我们论文主要使用了两个数据集：期货市场数据集来构建动量因子以及CTA数据集来分析策略独特性和基金表现。
期货数据
下表列出了研究中所使用的期货合约：19种商品期货，12种股指期货，8种10年期债券期货和9种外汇期货。我们用从1993年1月开始的数据来构建动量组合。
我们使用期货合约中头寸的连续累积超额收益来构建动量因子。我们有两种方法来生成这些期货合约的回报序列。第一种方法是取交易所交易的单个期货合约的价格序列，将其合并以产生连续的超额收益序列。第二种方法通过结合相关的现货价格、收益率和无风险利率来创建一个合成回报的序列。所有的期货和远期合约数据都来自Thomson Reuters。
我们用期货的月度价格序列来构建连续收益率序列。对于每个月，我们选取在整个月内交易且最接近交割的合约，以其收益率作为该月的收益率。也就是说我们在交割月前一个月的最后一天滚动合约。
如果采取合成的方法，超额收益就定义为现货价格、收益率和无风险利率的函数。远期合约i的多头头寸在t月份的超额回报er(it)为：
其中rit是资产i在t月份的现货价格回报，rft是一个月的无风险利率，qit是标的资产i在月份t的年化收益率。
如上表所列，绝大多数期货合约月度回报序列有正的序列相关性，在很多情况下其相关系数显著不为零。
CTA数据
我们使用BarclayHedge CTA数据库来获取我们的回报数据。原始数据包括1994-2015年间的5199个基金。我们采用了一系列的筛选措施，首先删除了母基金和指数基金，剩下4,971个基金；接下来，我们删除了所有非美元计价的基金，没有月度报告的基金，以及只报告费用总额的基金。之后我们识别并删除重复的基金，按照Jorion和Schwarz（2014）的做法，我们基于回报率来筛选重复的基金。如果同一管理公司的两个基金的回报率的相关系数达到0.99及以上，我们就把开始日期较晚的那个删除。
CTA的回报是公司自愿报告给BarclayHedge数据库的，因此会受到偏差的影响。我们主要解决了三个问题，首先，BarclayHedge数据库记录了存续基金和已终止基金，其中还包含不再提供报告的基金的回报数据，可以解决生存偏差问题。第二，如Aiken等人（2013）所研究的，由于业绩不佳而停止报告的基金往往仍持续运作，因此数据库存在审查偏差。我们效仿Liang等人（2010）的做法，当基金在停止报告前的6个月平均回报率为负值，且AUM的12个月变化为负值时，就认定CTA失败。在那些未提供报告的基金分析中，我们在失败基金的历史回报中附加一个50%的临时性额外损失，以此来改善查阅偏见。这些结果表现更好，低SDI和高SDI基金之间的业绩差异更大。
第三，我们解决了回填偏差。自2002年以来，BarclayHedge为每只基金增加了一个"添加日期"的变量，表明该基金是何时被添加到数据库的。对于2002年以前的数据，BarclayHedge向我们提供了BarclayHedge CTA指数的成分股，我们只在基金已经或曾经是BarclayHedge CTA指数的成分股的情况下，将基金的回报纳入我们的样本。剔除没有报告资产管理数据的基金后，我们有3,419只基金。进行聚类和估计策略独特性需要至少12个月的回报，剔除少于12个月的基金后，又有950只基金被剔除。最后，我们剔除管理资产（AUM）少于500万美元的基金，最后得出966个独特CTA的样本。
下图显示了整个样本期间每年CTA的数量和管理的总资产。从2002年开始，当BarclayHedge引入添加日期字段时，基金数量有了明显的增加。
下表展示了样本中CTA的收益统计。除了SDI之外，所有的统计数据都是对每个CTA在其生命周期内测量一次。表中列出了这些数据的横截面平均值以及三个相关的百分位数。A组显示了全部样本的结果。平均年回报率为3.14%，超过3个月T-bill的超额回报率为1.33%。然而，第20和第80百分位数的平均回报率分别为-1.78%和7.78%。平均因子模型的R2为16%，表明对于许多基金来说，Fung和Hsieh（2004）的七因子模型并不能捕捉到收益率的时间序列变化。然而第80个百分位数是32%，因此对于一部分基金来说，Fung和Hsieh（2004）所描述的趋势跟踪因子发挥了作用。
我们论文的重点是最后一列的SDI。我们使用24个月的滚动窗口每月测量每个CTA的SDI，并报告SDI观测值的平均值和三个百分位数。全部CTA样本的平均SDI为0.42，反映了CTA回报的相当程度的共同性。最低20%的SDI为0.17或更低，这意味着对于这些CTA来说，他们的回报与同行的相关性超过80%，而最高20%的SDI至少为0.66。我们的目的是研究这种巨大横向变化的含义。
B组和C组分别展示了存续样本和已终止样本的结果。显然的，存续CTA产生的回报远远高于已终止的CTA，两组的平均超额收益分别为4.91%和-0.10%。风险调整后收益的差异也很明显，存续CTA的平均夏普比率为0.49，而已终止的CTA为-0.21。存续CTA平均规模更大，为7.95亿美元，而已终止的CTA为1.58亿美元，因为表现更好的基金吸引了更多的资金。重要的是，存续CTA的SDI比已终止的CTA低，0.12的差异具有统计学意义。这初步表明在CTA领域，SDI和业绩之间存在反向关系。
下表展示了SDI和CTA表现之间存在反比关系更为直接的证据。CTAs根据其观察历史最后一个月计算的SDI被分为五等分组。我们在其生命周期内计算回报，然后对每组的CTA进行平均。各组的平均SDI差异很大，低SDI组（Q1）的平均SDI为0.12，而高SDI组（Q5）为0.89。低SDI基金的存在时间平均比高SDI基金长1.57年。这一结果表明，较为独特的CTA更有可能失败，这与Bollen（2013）在对冲基金的发现一致。更重要的是，SDI和业绩之间的反比关系很强。例如，低SDI组的平均年度回报率为5.08%，而高SDI组只有1.40%。风险调整后的业绩差异也很大：低SDI组的α值为每年3.23%，而高SDI组为0.00%。鉴于低SDI的CTAs的年波动率大约是高SDI的CTAs的两倍，风险调整后的业绩差异是显著的。这一结果表明，低SDI的CTAs的常见交易策略本身就有很大的风险。
低SDI组的CTA在Fung和Hsieh（2004）的因子模型中具有最高的R2，表明低SDI组的CTA的收益相似性至少部分归因于对动量因子的共同暴露。我们将在第五章深入探讨这一点。
\
动量和SDI指标
Fung和Hsieh（2001）认为，CTA的主要交易策略是趋势跟踪。我们将探索SDI指标和CTA未来表现之间的关系中动量因子所起的作用。
CTA业绩表现中动量的作用
时序动量组合构建方式是：做多过去表现好的期货合约，做空过去表现不佳的期货合约。当资产回报具有持续的序列相关性时，遵循时间序列动量策略的回报就很高。
本文使用12个月的回顾窗口和一个月的持有期，为每个期货合约形成一个时间序列动量投资组合。然后，我们使用等波动率加权形成一个时序动量截面组合。时间序列动量投资组合TSMOM的月均回报率为正，年率夏普比率为0.71。
图6显示了CTAs按SDI划分为五分之一的TSMOM的平均系数，以及在每个五分之一内的百分比，其回归系数在10%水平上具有统计学意义。低SDI五分之一的cta的平均系数为0.67，而高SDI五分之一的平均系数为-0.01。
我们预计，当动量因子收益更高时，低SDI基金相对于高SDI基金将表现更好，因为低SDI基金很可能获取了更高的动量因子暴露。为了支持这一猜想，我们对TSMOM因子回归。图6显示了CTA策略按SDI划分为五等份的TSMOM的平均回归系数。低SDI组的CTA平均系数为0.67，而高SDI组的平均系数为-0.01。此外，在低SDI五分位组中，68%的CTA策略对TSMOM因子的回归系数显著，而在高SDI五分位组中仅为13%。动量因子对所以CTA业绩的解释能力为0.25，对高SDICTA的收益解释能力为0.01。在所有情况下，两个极端五分之一组的回归结果之间的差异都是非常显著的。这些结果表明，低SDI的CTA在动量因子上有更高的暴露；我们可以合理地预期，CTA的收益很大程度上靠动量因子的暴露累积。
我们还在图6中报告了各个分组中随后12个月内表现不佳的CTA策略的百分比。其中独特性较低的基金中表现不佳的概率每年为2%，而较独特的基金中表现不佳的概率每年为8%。
我们已经证明，CTA业绩中位数水平本质是上动量策略，但是那些具有高特异度的CTA策略本质上是什么呢？Bollen（2013)表明，具有高特异风险的对冲基金表现显著低于其他基金；然而，高SDI的CTA策略可能是一种未被识别的投资能力。为了评估不同SDI分组中的CTA剔除动量因子中的未被揭示部分，我们进行了主成分分析(PCA)来提取每个分组的第一个主成分。然后，对于每个分组中，我们估计由第一个主成分解释的方差，以及该分量与TSMOM因子回归之间的相关性。
图7报告的分析结果显示，对于低SDI基金，第一个主成分解释了69%至73%的总方差；相比之下，对于高SDI基金，第一个主成分只能解释26%到32%的方差。值得注意的是，低SDI基金的第一主成分与TSMOM高度相关（系数为0.77~0.86），而高SDI基金的第一主成分与TSMOM的相关性较弱。TSMOM与低SDI主成分的相关性大于0.61。
我们进一步比较了按照SDI分组CTA的前后表现对比，但这里根据TSMOM交易策略的收益，将样本分为两个子集。结果如图8所示，在TSMOM正收益月份（超过样本期的68%），SDI分组单调递减。相比之下，在TSMOM负收益月份，SDI和业绩表现之间的关系会转变。我们还在图8中绘制了低SDI投资组合的累积回报，表明TSMOM回报率显著高于其中位数水平。
其他的动量组合
Baltas和Kososks（2013）通过改变窗口长度和持有周期，构建了许多种时间序列动量因子。Baltas和Kososks（2013）表明，不同参数下的动量组合的相关性相对较低。为了更好地评估我们研究中SDI分组的效果，我们形成了9个TSMOM投资组合。为了验证这些投资组合与CTA表现与我们最初的TSMOM因子相似，我们对每个CTA业绩表现对每个动量因子进行了回归。研究结果均与图6中报告的结果一致。低SDI的CTA策略对动量因子的暴露远高于高SDI的CTA。
Baltas和Kososs（2013）还表明，回看期15天、8周和12个月以及持有期1天、1周和1个月的投资组合是解释CTA回报的最佳组合。为了测试我们的结果对这三个因子组合的稳健性，我们使用这三个因子A组合数据来重复表8中的分析。与我们早期的研究结果一致，低SDI组的平均回归系数最高，且单调下降，表明最“从众”的CTA比其他CTA在动量维度上暴露更大。
我们还在图9中报告了具有显著动量暴露的CTA的百分占比，以及由这三个因子组合各自能解释得方差占比。对于低SDI组，前两个因子(有更长的回看和持有时间)大约一半的时间显著，而第三个只有大约四分之一的时间显著。更重要的是，这三个因子都对模型的解释能力有了重要的贡献，表低SDI分组CTA同时在多个层面上积极暴露动量。
研究结论
以往的研究表明，策略特异性是对冲基金表现差异的关键决定因素。拥有更独特策略的基金受益于较低的策略拥挤度往往能够跑赢大盘。但CTA策略投资标的明确；传统的投资能力拆解为精选能力与择时能力，在CTA领域中截面精选能力基本无法体现，所以CTA领域核心考察的是择时能力。期货领域的价格动量非常显著，这也是CTA策略生存的根本。如果CTA策略均是使用动量策略，那么策略的独特性就很难体现，更“从众”的策略表现或许更强。
我们用SDI指标来刻画CTA策略的离散程度。我们测算CTA收益与同业之间的相关性程度，该指标越高意味着CTA的SDI越低。我们发现SDI指标的持续性很强，这表明基金的策略的离散程度对于个体而言是比较稳定的风格特征。我们的主要结论是：SDI指标与CTA策略的未来表现显著负相关，那些相对”不从众”的CTA基金的未来表现将会显著跑输。
根据Fung和Hsieh（1997）的研究，我们发现CTA策略的中位数表现接近于一个简单的趋势跟踪策略，因此我们研究了CTA表现与时间序列动量策略TSMOM表现之间的关系。我们发现，CTA策略中位数回报与TSMOM高度相关。此外，我们将样本分成TSMOM月度汇报为正和为负的样本。我们的证据表明，SDI指标仅在TSMOM正回报时能够有效预测CTA表现差异。因此，我们判断表现最好的cta能够在动量因子上有更好的暴露，并投资者提供了更高的动量因子的风险敞口暴露。
我们的研究结果揭示了对信息披露较少的基金产品的投资者所面临的权衡。一方面在Glode和Green（2011）的模型中，优秀的基金经理能够通过保守他们的策略技巧来获取超额收益，一定程度的不透明程度有利于基金经理和投资者共享投资收益；然后，信息不透明会使得投资者与基金经理之间存在较大的代理成本。Gorovyy（2020）表明，在市场低迷时，基金的不透明程度与基金市场表现显著负相关，导致该原因可能是市场低迷时基金的收益考核激励不足且存在较大的代理人风险。如果把问题放在CTA投资的大背景下，基于动量的期货交易策略整体信息较为透明，这使得进行一些特殊的押注对投资者而言尤其危险。