歷史表現

• AiLA 與 3 種 CTA 之間的損益（PnL）相關性整體偏低，例如 𝜌(daily) ≲±15%。
• AiLA 掌握了 2020 年中至 Mar-2022 的多頭市場（「多頭趨勢」），動能策略在此期間重新受到青睞（藍色陰影期間）。
• AiLA 也掌握了 Mar-2020 前後的崩跌（「空頭趨勢」），這是步調較慢的 CTA 策略未能充分掌握的。
• AiLA 在其他（「共同趨勢較弱」）期間通常也有良好表現。

歷史表現

• AiLA alpha 是採用系統化流程的伺機型策略。
• 策略同時由微觀與總體因子驅動。
• 流程中的每一個步驟皆完全自動化，沒有任何人為干預。

AiLA 與 CTA 因子之比較

• 20 個具流動性的商品期貨市場，採用近月合約。
• 依據 [Baz15] 實作 3 種 CTA 策略。
• AiLA 模型依各商品加以彙整。
• 所有策略皆套用於相同的商品報酬。

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

AiLA 有別於 CTA 因子

• AiLA 與動能、持有收益（Carry）及價值策略之間的報酬相關性偏低。
• 相較於 CTA 策略彼此之間的關聯，AiLA 與任何一種 CTA 策略的關聯似乎都較低。
• AiLA 策略報酬與其他系統化/量化策略具有互補性。

• AiLA 產品由策略權重定義，此處稱為實際權重（AW）。
• AiLA 產品權重於 T-1 日紐約收盤時透過 FTP 提交，於 T 日市場收盤時執行。
• 權重（AW）資訊包括：
  • 資產（期貨合約）名稱，
  • 占總配置資本百分比的權重，
  • 多頭或空頭部位，
  • 每日再平衡，於下一個收盤時執行。
• 權重於下游流程中決定，以每日配置決策作為輸入，著重於每項資產要配置「多少」。

範例：AiLA-S030 的實際權重資訊。

• 上游流程以個別資產每日配置決策的形式提供輸入。
• 在特定日期，這些輸入針對 AiLA 策略投資組合中的每項資產，提供做多/做空或不配置的決策。
• 下游策略建構流程依據配置輸入，以三個循序步驟計算策略權重，決定每項資產要配置「多少」。

無限制權重（UW）

• 理想權重依據平均數/變異數投資組合建構原則決定；然而，由於配置具有動態性，為了建立穩健且透明的方法，僅納入經實證顯示與我們情況相關的面向。
• 無限制權重的目的，是在施加任何實務限制之前，依據使用者偏好呈現理想的策略。接下來的步驟將力求在遵守各項使用者/執行限制的同時，達成盡可能接近無限制策略的策略。
• 無限制權重針對在特定日期具有有效多頭/空頭配置決策的資產組合計算。
• 無限制權重的計算考量下列面向，其中部分為選用項目：
  • 波動率：依資產風險等權重配置。
  • 有效 N：依估計的有效資產數量調整配置。
  • 策略相關性：使策略偏好與標準策略 BCOM 或 GSCI 具有相關性。
  • 風險目標：依策略風險目標縮放權重。

受限制權重（CW）

• 受限制權重以無限制權重（UW）作為輸入，再於一組線性限制條件下，決定最相近的權重組合。
• 計算僅考量在任一特定日期具有有效（非零）權重的資產。
• 受限制權重依下列限制條件計算：
  • 資產上限：個別資產權重的上界。
  • 類股上限：類股內權重總和的上界。
  • 夏普比率：歷史策略夏普比率的下界。
  • 策略配置：所有權重總和的等式限制。
• 若有最大配置偏好，可選擇在權重總和超過該值的營業日，將輸出權重縮減至該最大值。

實際權重（AW）

• 策略權重以受限制權重（CW）作為輸入計算。
• 此外還會套用交易平衡期間條件：採用中型規模（大型規模）執行邏輯時，若距離到期日或年底的營業日數少於 2（7）天，權重即設為零。
• 套用交易平衡期間條件後的 CW 權重稱為目標權重，實際策略權重會力求達成此目標權重。
• 然而，由於各項上限所隱含的再平衡限制，實際策略權重往往無法等於目標權重。
• 執行邏輯在產生實際權重時所遵守的各項再平衡限制，包括使用者定義的條件，以及由交易資產的成交量/未平倉量所決定的流動性限制。

下游說明文件

有關下游策略方法的進一步細節，請參閱：

• [AiLA 方法論] 自動化策略方法，https://aila-x.com/methodology/alpha-strategy-calculations
• [AiLA 方法論] 自動化淨零方法，https://aila-x.com/methodology/automated-net-zero-methodology

範例：一個五項資產策略的實際權重。

五項資產策略：

• 7 月黃豆、6 月銅、6 月黃金、Cal TTF 及 6 月 WTI。
• 投資組合目標：每項資產等權重 20%，但允許資產權重最高達 100%。

動態權重：

• 2022 03 23：黃金、銅及黃豆出現配置機會，權重提高至 20% 以上，使系統配置了 94.1% 的資本。
• 2022 05 16：僅 TTF 出現配置機會，但流動性限制使其無法達到 20% 權重，系統因而僅配置 6% 的資本。
• 2022 05 17：TTF 配置結束，系統因此決定出清 6% 的 TTF 多頭權重。

權重數量的變化：

• 有效資產數量較多（較少）的期間，個別權重往往較小（較大）。

• 上游流程的主要目的是決定「何時」配置於個別資產。
• 配置旨在掌握當前的投資機會。
• 伺機型決策以專屬於個別資產的資料驅動模型為基礎。
• 配置決策由上游流程以四個循序步驟產生。

• 微觀特徵是針對特定資產挑選，完全取自資料服務供應商 Refinitiv 與 Bloomberg。微觀特徵資料包括但不限於曲線結構資料、交易人持倉報告（commitment of traders）以及基本面資料。
  
  微觀特徵資料的一個例子是 RBOB 的 H-J 價差，它反映了氣溫、RVP、預期煉油產能、預期冬季過後需求等因素的影響。

• 總體特徵作為所有資產的共同特徵。這些資料包括但不限於市場指數、外匯匯率、經濟指標及主要商品價格，完全取自資料服務供應商 Refinitiv 與 Bloomberg。
  總體特徵資料的一個例子是匯率：匯率會影響從煉油產能豐富之地出口的 RBOB 產品，使其變得較貴或較便宜。
• 特徵資料於市場收盤後在 EOD（日終）流程中收集，所有資料皆來自可重複取得、公開且可驗證的來源。

特徵資料（XF）

• 所有特徵資料都經過 DQ（資料品質）系統處理，再轉換為讓模型更容易取得相關資訊的格式，例如包括但不限於資料標準化、相對/價差資訊、one-hot 編碼等。
• 資料依時間順序切分，用於模型訓練循環，三個樣本分別對應連續的期間（見圖）：
  • 訓練：用於訓練模型。
  • 驗證：用於驗證模型績效並調整超參數。
  • 保留：樣本外資料，用於在模型所有面向都凍結後評估最終績效。
• 由於過度擬合的風險極高，保留資料集只能使用一次，用於模型績效的最終評估。
• 任何 AiLA 策略中，在特定日期對某項資產的配置決策貢獻最大的特徵，皆可在 AiLA 產品 UI 中查閱。

模型選擇：y = f(XF)

• 模型選擇涉及使用 MLRD 平台（Machine Learning Research and Development，機器學習研發平台）分析各種模型
• 在模型的訓練-驗證循環中，也會同時調整超參數。
• 從模型執行中收集的各項指標（特別著重準確率與訊號密度），構成決定最終模型選擇之質性判斷的基礎。

配置決策（A）

• 進場決策
  • 模型輸出（y）每天針對在特定持有期間內達成某一風險報酬目標提供預測。
  • 例如，多頭部位在未來 15 天內達到 10% 報酬、且虧損不超過 3% 的機率。
  • 若有利的多頭或空頭風險報酬情境機率夠高，即會以對應的目標參數建立伺機型配置。
• 出場決策：
  • 配置會一直維持，直到符合四項出場條件之一。
  • 預期進一步投資的機會不大。
  • 自投資開始以來觸及風險目標。
  • 自投資開始以來達成報酬目標。
  • 模型發出相反的機會訊號。
  • 上述條件中，只有出場條件（4）取決於特徵資料。

範例：Gold_CME_June 的做多配置決策。

2022-04-13：進場決策

• 微觀/總體特徵預測出有利的風險/報酬

（* CFTC CoT NCNC = CFTC 交易人持倉報告（Commitments of Traders）之非商業淨合約數）

2022-04-21：出場決策

• 自投資開始以來觸及風險目標