作者：宽立资本特邀供稿
宽立资本（Aspect Capital）作为全球最早也是最大的CTA管理人之一，于1997年在伦敦创立，其中两位创始人Michael Adam和Martin Lueck曾创立CTA行业先驱AHL（目前为英仕曼集团子公司）。截止2017年12月31日，宽立资本全球管理规模70亿美元。宽立资本主要采用系统化、数量化的方法进行投资管理，目标为客户获得高质量、多元化的绝对回报。截至2017年末，宽立中国策略管理规模约人民币6亿元。
中金公司财富管理部将于2018年1月10日16:00举办“2018宽立中国策略专场沟通会”，邀请宽立资本联合创始人及研发总监Martin Lueck，首席风险官Anna Hull和首席技术官 Barney Dalton为大家介绍宽立资本的研究、风控和技术体系。活动报名请联系您的专属投资经理。
编者按
本文重点介绍了不同趋势跟踪模型的联系与区别，以及宽立资本如何通过持续的研发改进来构建高质量的趋势跟踪模型。
投资者总是希望分散化投资：只要将风险和回报相似的不同策略组合在一起，就有可能提高经风险调整的回报。那这种方法是否适用于趋势跟踪模型呢？构建趋势跟踪模型的方法有许多种，本文将考虑一系列构建方法来探究不同策略的组合能否提升业绩表现，是否能有更好的方法来构建趋势跟踪模型。
本文发现，不同的趋势跟踪模型如果以相似的调整速度应用在同样的投资组合上，会产生很高的相关性，因而能带来的分散化收益非常有限。一种更好的构建趋势跟踪的方法应当从整体出发，抓住不同技术指标里最有效的特性，并将它们整合到一个高水平的模型中。
1. 趋势跟踪模型介绍
本文将会考虑13种不同的趋势跟踪模型，并将它们应用到同一个投资组合上，这个投资组合包含了全球146个市场。我们还将这13个模型进行了参数化，使它们持续跟踪两到三个月的中期趋势，产生相同水平的年化回报波动率。在这个过程中，我们仅仅关注不同趋势跟踪策略之间的差异，因而没有考虑交易成本的影响。
这13个模型的起源是不同的，但均是公开的。这其中有20世纪80年代被“海龟交易员”广为推崇的模型，近年来在学术论文中被高频引用的模型，以及其他一些著名的趋势捕捉技术，包括回溯时间窗口和前瞻时间窗口，移动平均线，技术指标及其他统计方法。
图1比较了所有模型1999年1月至2016年6月之间的业绩表现，图2比较了所有模型的信息比率，信息比率衡量了特定风险水平下的回报率。可以看到，13个模型的业绩表现在整体上是一致的，平均信息比率为0.95，最大值为1.10。
图1：1999年1月至2016年6月期间的趋势跟踪模型和13种模型的平均表现
图2： 1999年1月至2016年6月风险调整后的模拟表现:
2. 不同趋势跟踪模型间的分散化投资
当具有相似风险和收益水平的策略组合在一起，通过分散化降低组合的波动率或许可以实现更好的经风险调整的收益率。在这个部分，我们来探究一下将不同的趋势跟踪模型结合在一起是否能够提高投资组合的业绩表现。
尽管我们介绍的13种模型代表了系统捕获中期趋势的各种不同方法，但是不难发现它们之间的相关性非常高。图3展示了1999年1月至2016年6月这13个模型之间的相关性，可以看到最低的相关性也达到了67%（MOP与Turtle-ATR之间），平均相关性达高达89%。
为了探究不同模型的分散化组合是否可取，第一步先我们先计算了13个模型每日业绩的简单平均，结果如图4所示。可以看到，策略组合的平均业绩与若干单个模型的业绩相当；信息比率为1.00，仅比平均信息比率0.95稍有提高。也就是说，因为模型之间高度的相关性，策略组合的分散化效果微乎其微。
进一步的，我们考虑了这13种模型所有可能的策略组合，每个组合由单个策略平均加权得到。由于组合中包含的策略数量不同，我们还计算了每个组合经风险调整的收益率，从只有1个模型开始（这里就有13种选择），然后依次考虑两个、三个、四个模型的组合，一直到包含了所有13种模型的组合。值得注意的是，图5 表明将不同模型组合在一起的分散收益非常小，分散化组合对风险调整的收益的影响是微不足道的。
图3：趋势跟踪模型之间的模拟相关性:1999年1月至2016年6月
图4：1999年1月至2016年6月期间的趋势跟踪模型和平均值的模拟表现
图5：组合不同趋势模型的模拟平均信息比率:1999年1月至2016年6月
3. 宽立如何构建趋势跟踪模型
上一节的结果表明，由于较高的相关性，不同的趋势跟踪模型的多样化效果并不明显。与之相比，宽立则采取整体性的观点。既然目标是从趋势跟踪中最大化收益，那么最好的方法是集合不同方法的特征，建立一个最优的单一趋势跟踪模型。
经过多年的严谨、科学、以假设为前提的研究，宽立的趋势跟踪模型已经逐渐发展完善，在一个精致连贯的框架下融合了多种不同方法的特征。(此文引用的宽立趋势跟踪模型配置了80%的宽立旗舰基金宽立多元化策略)。宽立的历史中一个重要的研究创新就是在2005年，公司从采用多模型的趋势跟踪转向了一个单一的，整体性的模型。
例如，一些突破模型使用各种方法来计算它们通道的高低范围，但是却使用粗糙的二元信号结构来处理。这一观察使我们更彻底地研究了将通道数据作为“数据处理”的效果，并使我们能够改进我们的趋势跟踪模型处理特定市场波动的方式。这种方法让我们可以充分利用突破模型的多样化特性，同时又避免了其不太理想的限制特性(即粗糙的二进制信号结构)。
经过多年的研究，在趋势跟踪方面我们有了很多重要的创新，在我们的单一的整体模型中，主要有以下三个阶段：
数据处理:此阶段处理市场数据以便为趋势测量阶段创建最合适的数据序列。
趋势测量:这个阶段过滤处理过的数据，以测量趋势的强度和方向。
仓位映射:确定适当的趋势测量，然后将它们反映到适当的头寸。
图6显示了基于宽立构建的基础趋势跟踪模型的业绩表现，该模型仍然受益于宽立的大部分投资组合构建、仓位调整和风险管理过程，但采用了一种简单的趋势跟踪方法。它的表现类似于之前讨论过的13种策略。该图表还显示了基于宽立的研究改进而产生的模拟业绩增强现象。每一项增强都在逐步和持续地增加了宽立趋势跟踪策略的价值；模拟的信息比率也从基准趋势跟踪的0.76稳步上升到宽立完全趋势跟踪策略的1.41。
图6:宽立趋势跟踪模拟业绩增强:1999年1月至2016年6月
4. 宽立趋势跟踪模型与其他趋势跟踪模型的比较
我们不断观察趋势跟踪的不同特征，从中学习，并将研究得来的创新与我们的模型结合起来。这一方法原则是宽立系统性投资过程的关键部分。在我们看来，这种方法优于单纯地将多种不同的趋势策略结合在一起。
在图7中，我们比较了13个模型和宽立的趋势跟踪模型，它们都是经过近20年的研究而发展完善起来的。我们看到，在所示期间，宽立的整体性趋势跟踪模型的表现超过了所有13个模型，其信息比率1.41也优于其他模型。
图7:模拟的趋势跟踪模型vs宽立趋势跟踪模型:1999年1月至2016年6月
结果表明，如果将目标定为最大化的趋势跟踪的收益，那么最好是建立一个最优的单一趋势跟踪模型，该模型吸其他各种方法的优秀特征，而不是仅仅依赖于不同模型的多样化。
此外，如果我们将这段时间划分为每5年一个阶段，我们可以看到宽立的综合方法在每个阶段中都表现突出，如图8所示。相比之下，在其他13个趋势跟踪模型中，不同的五年之间的表现几乎没有什么一致性。
图8:模拟的趋势跟踪模型vs宽立趋势跟踪模型:1999年1月至2016年6月
最后，我们要证明，通过添加前面提到的13个模型中的任意一个来改进的收益是不可能的。图9显示了与其他13个模型混合后，宽立的趋势跟踪模型的风险调整收益受到的影响。
图9: 添加其他趋势模型对宽立模型信息比率的模拟影响:1999年1月至2016年6月
我们再次看到，最好的选择是只选择宽立的整体性趋势跟踪模型，因为与任何与其他模型的组合都会降低它的表现。
5. 结论
本文主要讨论了如何构建最好的趋势跟踪系统：是专注于构建一个高质量的模型，结合其他的趋势跟踪方法的优异特性，还是要采用多模型进行趋势跟踪,依靠模型之间的多元化来改善总体风险回报。
我们已经考虑了许多不同的捕获中期趋势的系统模型，并研究了是否存在这些模型的组合可以提供了最好的表现。考虑到策略之间的高度相关性，我们发现其实分散化的效果微乎其微。
综上所述，构成一个趋势跟踪组合的个别趋势模型数量并不是衡量其优越性的标准。最好的方法是专注于构建一个单一的、经过充分研究的趋势跟踪模型，该模型在一个更高级、一致的框架中，集其他不同趋势模型的优异特征于一身。宽立正在利用这种方式，不断进行研究并增强其趋势跟踪策略的表现。
注：文中数据取自宽立资本论文“Trend Following:Quality,notQuantity”.如有兴趣阅读原文，请咨询您的专属投资经理
附录
本文提到的13种趋势跟踪模型如下：
MOP:根据过去12个月的回报，该策略将分别进入多头/空头市场，持续1个月。基于Moskowitz,Ooi和Pedersen的“时间序列动量”论文。
HOB:使用与MOP类似的方法，但是考虑从1个月到12个月的平均回顾周期。基于Hutchinson 和 O’Brien 所著“这次不同吗? 趋势跟踪和金融危机”。
LDSPB:从长期指数加权移动平均的角度来捕捉价格偏差的方向。根据Lemperiere等人的论文。
DMI:方向型移动指标，用于区分强趋势和弱趋势。
RSI:相对强度指数，一种技术动量指标，用来比较近期收益与近期损失的幅度。
Turtle-ATR：通道突破策略，使用平均真实范围，替代标准偏差来衡量价格波动。
Turtle-Boll. BO: 一种突破策略，利用布林带识别突破,工具包括移动平均方法和基于超过或低于移动平均的标准差设置上行、下行区间。
Turtle-Donchian: 突破策略，包括一个额外的交易进入条件，基于比较短期与长期的指数动平均。
Turtle-3x MA: 移动平均，使用3个时间范围数据:快速、适中、较慢，以确定交易的进入和退出。
Z-Score:用来估计价格漂移相对于收益的波动率的统计模型。
Trend Deviation:双指数加权移动平均法。
MA Crossover:利用短期移动平均和长期移动平均的差异。
Percentile:利用短期价格平均值占长期分布的百分位值构建模型。
参考文献及注释
1．《海龟交易法则》，柯蒂斯·m·菲丝，麦格劳-希尔，2007年
2．2012年5月，《金融经济学杂志》第104期，Moskowitz,Ooi和Pedersen的“时间序列动量”
3．“这次不同吗? 趋势跟踪和金融危机”，哈钦森和奥布莱恩，《另类投资》杂志，2014年秋季第17卷第2期
4．“趋势跟踪两百年”，Lemperiere et al .，投资策略杂志，第3卷，第3期，2014年6月
免责声明
本次电话会中提供的信息、意见等均仅供投资者参考之用。该等信息、意见并未考虑特定投资者的具体投资目的、财务状况以及特定需求，在任何时候均不构成对任何人的特定推荐。投资者应当对本次电话会中提供的信息和意见进行独立评估，充分考虑自己的投资目的、财务状况和特定需求，根据自身能力审慎决策，独立承担投资风险。对投资者依据或者使用本次电话会中提供的信息和意见所造成的一切后果，中金公司及/或其关联人员均不承担任何法律责任。
