背景

对于直接交易期货的策略，一个常见的担忧往往是其与动量、展期收益等 CTA 策略的相似性。
尽管 CTA 产品相对于其他资产类别具有分散化收益，但 CTA 产品彼此之间的相关性往往较高，例如常常超过 50%。
AiLA 配置策略基于截然不同的理念设计，因此历史上与常见 CTA 策略表现的相关性较低。
在本研究中，我们采取相反的思路，目标是使用两种不同的方法，迫使 AiLA 策略与某一 CTA 策略呈正相关。
此项研究的目的在于评估迫使 AiLA 策略产生此类相似性的难易程度，进而有助于判断此类相似性在无意中出现的可能性。

两种方法

识别具有历史 CTA 偏差的模型，然后超配这些有偏差的模型，以提高投资组合的相关性。
针对 CTA 策略信号，对 AiLA 配置权重施加相关性约束。

两种方法均试图迫使 AiLA 投资组合与给定 CTA 策略之间产生更高的表现相关性。
CTA 策略遵循 [Baz15] 中的定义。

[Baz15] J.Baz et al., Dissecting Investment Strategies in the Cross Section and Time Series (December 4, 2015). 可于 SSRN 获取：https://ssrn.com/abstract=2695101

方法 1

模型偏差

识别历史上相对于给定 CTA 信号表现出偏差（正向或负向）的 AiLA 配置模型。
偏差指标基于每日信号频率，并与该 CTA 信号在历史期间内的无条件频率进行比较，例如动量的 p(mo = 1)。
为简化起见，AiLA 信号和 CTA 信号均进行离散化处理，即取值为 -1、0 或 1。
在多头和空头中观察到的偏差往往方向一致，因此将二者合并为一个总偏差指标。
按照这一方法，可为每个 AiLA 配置模型分配一个相对于同一期货市场给定 CTA 信号的历史偏差指标，例如相对于 WTI 动量（MO）的模型偏差。
偏差值可解释为“存在 AiLA 信号时，出现 CTA 信号的概率平均增加的百分比”。

图 1：AiLA 信号与动量信号随时间的比较

每个 CTA 信号对应一个历史偏差值，即对多头和空头取平均。

$p(mo = 1) = 34\%$

$p(mo = 1 \mid s = 1) =$ $47\%$

$p(mo = 1 \mid s = -1) =$ $29\%$

$Bias(mo) = \frac{1}{4} \left( \frac{p(1|1)}{p(mo=1)} - \frac{p(1|-1)}{p(mo=1)} + \frac{p(-1|-1)}{p(mo=-1)} - \frac{p(-1|1)}{p(mo=-1)} \right)$

方法 2

版本	SR	ρ(MO)
无约束	2.2	-15%
α = 0.2	2.3	29%
α = 0.4	1.9	47%
α = 0.6	1.7	26%
α = 0.8	1.6	5%
MO	0.5	-

结论

期货策略相对于常见 CTA 策略的分散化能力往往备受关注，而 AiLA 配置模型历史上与此类 CTA 策略的表现相关性较低。
在这项简短研究中，我们采取相反的思路，尝试使用两种不同的方法，在 AiLA 投资组合与给定 CTA 策略之间诱导出正相关性。
第一种方法试图通过选择过去表现出 CTA 偏差的配置模型来实现这一目标，结果显示其影响与预期一致。然而，该影响很小，通常低于 25%，因此明显低于不同 CTA 产品之间通常的相关性。
第二种方法试图通过施加覆盖整个投资组合的相关性约束来诱导相关性，结果同样显示其影响与预期一致。该方法仅在相关性约束较低时按预期发挥作用，当要求表现相关性高于 50% 时便会失效。
两种方法均无法产生高相关性，这表明 AiLA 策略与 CTA 策略的配置存在根本差异，至少未显示出两种策略之间容易在无意中产生相似性的情形。

与 CTA 策略的相关性

背景

两种方法

方法 1

模型偏差

每个 CTA 信号对应一个历史偏差值，即对多头和空头取平均。

相关性影响

方法 2

相关性影响

相关性影响

结论