上周思勰投资组织的中周期CTA策略路演吸引很多投资人参加（也是我迄今为止 接触到的最大路演场面），陈磐颖老师讲的很专业、具有启发性思考价值，会后也有很多朋友咨询路演交流中提到的一些关键问题的回复内容，希望我可以做下解答和结论，所以我把会上重点咨询/交流问题做一些注释和自己的思考，希望对大家有所借鉴参考。
路演问题答疑
听完路演结论：管理人策略构建层面具有差异性，对一些策略细节层面处理比较精细化，绩效层面表现和市场同类型的管理人具有低相关特性。合规和敏感性问题，不做好坏具体评价。
1，隔夜仓位控制问题：
回答：隔夜仓位控制是包含在一整套的风险控制模型里面，超过一天交易的持仓周期，是不可避免会有隔夜仓位，在思勰目前的中频持仓周期内不会对隔夜仓位进行刻意约束。如果对于夜盘有预知隔夜有重大事件发生，会主动引入一些隔夜仓位控制（增加隔夜风险度），主要是用于增加期货隔夜风险事件带来的潜在回报。
注释：隔夜持仓的限制相关问题主要询问对象应该是日内或者日度持仓的短周期管理人，担心隔夜商品期货出现跳空现象，和当天日期货价格运行方向相反从而造成的止损现象，从而对于净值造成亏损。但是对于思勰这样中频持仓的管理人意义非常有限，因为这种隔夜的波动从3-5天的价格运行周期来看也许只是一个阶段波幅，价格会自动出现修复，并且思勰的策略体系是会根据新的市场信息逐渐调整自己的仓位和信号方向，并非固定一次性的止损机制。持仓周期越长的策略对于日线上的价格波动容忍度会越高，问题改为出现连续性的下跌行情时，思勰策略的止损机制/仓位多空信号的灵敏度问题会更合适。
2，策略类型：时序OR截面：
回答：主要是时序策略为主，也参考了截面策略的一些思路，目标是策略组合绩效的最优化。
注释：时序和截面可以有两个维度的认知方式，一方面是模型框架，一方面是底层因子的信号构建方式，我认为思勰的策略底层因子的构建方式会参考到数据类型和逻辑路径选择合适的方法，而不是一概而论的；思勰在策略模型层面更加偏向于时序。
3，策略研发所使用的数据情况？
回答：会做高频化信号低频化使用，追求高自相关度，最后适用于目前中周期策略的模型。
策略的预期3-5天的持仓周期是一个预期结果反馈，整个数据实际的使用是多维度的，包括秒级别、分钟级别、小时级别和不定期的切片数据等多个周期的数据，在使用的时候要看信号来源和使用方式来决定具体的最合适的数据周期。
注释：不同周期数据和策略持仓周期应该是对应关系，用秒级别数据预测N日价格的波动方向是没有必要且未必会有效果的方式，因为在这N日的时间周期内这个秒级别的数据会出现多次的反转和趋势现象，甚至是随机游走的现象，预测效果很差，不符合N日价格的运行规律统计的特征，所以需要对高频数据进行低频化调整在进行策略研发，但是有难度的，过尤而不及。
思勰团队背景是高频出身，对于高频数据的理解和使用是具有优势，他们会尝试通过高频数据低频化使用挖掘一些另类的统计特征和因子，高频数据的低频化使用也是在股票中会有管理人用到的，CTA策略团队中使用的较少，因为这个是具有一定门槛的，也体现出策略精细化的一些具体表现。
4，2022年的业绩归因分析，有多少归因于因子择时/调整带来的绩效？
回答：不做主观的择时，只是会考虑初期产品运行的时候在风险敞口、风险惩罚项等层面进行严格约束，随着产品净值运行的具体情况和交易成本的结果反馈逐渐放开这种强约束。策略的追求目标是对不同市场环境具有自适应性，但是不会赋予太多的选择/判断项，比如单个环境额改变，策略的切换速度快遇到行情反转对净值造成的较大波动。
今年的业绩较好表现主要是得益于中周期策略赛道里面的新的有效因子研发，不同周期策略的结合方式的优化，以及交易执行层面的实现。整体产品多年回撤业绩夏普为2，也是未来的一个绩效目标，但是市场行情也是不断变化的，所以中间也会有一些阶段的高低波动。
注释：量化策略比较忌讳过多的主动干预，因为行情具有不可预测的特性，这种预测在短期也许会体现出高胜率，但是长期看胜率是回归于50%，并且还要警惕主观干预错误带来的尾部风险，追求策略本身的自适应性是较好的选择之一。
对于市场CTA策略产品来说，夏普2 的长期目标实际上已经比较高的预期了，虽然最近两年个别管理人的夏普远超这个数值，但是大部分是市场给的机会，我们还是要有合理的预期。
5，策略不适用的市场环境
回答：提前已经把策略不适应的市场环境考虑加入策略模型中，在回测或者策略研发中发现策略模型的当中在某些时间段特别好/差，都会主动研究这个现象，寻找背后的原因，以及是否可以把它做成一个信号的一部分。
样本内会做调整，样本外的话会给一定的宽泛性，比如策略运行中说表现比较差的时候也不会去直接去做反转，因为做反转的话就是直接会违背我们这个模型。如果市场环境变化，导致原有的供需平衡关系会被打破，可能会导致某些信号可能不适用了，那么就会试图去修正这些参数/信号，但是整体不会去频繁的调整以防过拟合的产生，我们只会再过半年或者一年的时间，我们可能会去回顾一下。
注释：思勰并没有直接提到不适用的市场环境，但是可以从策略盈利的本质上来看，对于所有CTA策略来讲，期货市场没有波动率，以及价格波动无序反转较多的环境下都是不太友好的，但是根据不同管理人策略的特性来讲，思勰的相关性确实和市场其他管理人较低，也会表现出其他的典型不适应/适应的市场环境。
6，策略低相关的一个表现的原因分析：
回答：每家管理人都是有自己的策略方法论，所以在研发路径和最后呈现出来就会具有一定差异性，思勰在做模型的时候，会添加一些更多的限制和约束条件，避免一些简单粗暴的方向性的BETA或者不具备长期可持续性盈利的策略，然后会注重策略的研发可续性，对于新策略的引入和策略使用中的优化迭代。
注释：对于思勰CTA策略表现的低相关性的特征，具体原因应该和他们高频交易背景，在高频数据理解和使用层面、仓位管理层面的预期性管理和模型框架层面的差异化有关。
7，交易过程中，加仓/建仓的一个逻辑：
回答：思勰一般不会用止盈止损的做法来做一个策略，因为第一这样很粗暴，并且固定的止损设置也会给净值带来一些冲击。思勰的策略模型是会根据市场最新的一些信息输入，包括设置的单个品种持仓比例，交易量对市场冲击的限制等条件综合考评，模型会不停的去调整它的预期，最后实现整个3-5天的交易周期的预期管理。
注释：这个体现出规则式策略和预测式策略的差异，前者一般是固定的止损止盈，主要考虑的是是否达到固定的一些规则形态；而思勰更偏向于后者，在方向的维度多增加一个强度指标，根据强度指标进行调整相应仓位，不是简单的方向维度。但是两个策略本质没有好坏，都有自己适应的市场环境。
8，过拟合的层面的问题和策略的普适性问题（同一个策略对于不同品种的适应性）：
回答：不同期货品种之间存在差异性和同质性，从收益来源希望具有差异性，但是从品种价格运行机制来看也希望具有一定的相关性，主要跟交易行为、市场环境和品种价格运行机制有关，思勰在策略模型中具有一定的区分和应用，但是也会持续的优化和提升。
中长周期是不适合机器学习策略的研发体系，因为数据量较少等原因；其实非线性，这个问题在周期比较长的这个模型里面，也许更加突出，因为我们知道就是说周期越短，一个模型或者说一条线的走势很可能就越像是随机游走。周期长了一点，反而你会发现它的分布的尾部就会变厚然。所以思勰会尝试用一些非线性的策略，但是会经过很严格控制的，会进行多维度的交叉验证、更长的维度去验证，但是整个原则是宁缺毋滥。
注释：过拟合在任何策略中都是不可避免的，对于我们投资人的角度，也很难去证伪措施以及效果的真实性和有效性，总而言之周期越短这个现象会更加严重，我们调研过程中主要考虑的是防范机制的完善性，和处理机制的合理性，思勰的长期策略研发经验和防范机制是比较完备的。
