問題：

• 鑑於 CML 訊號相較於傳統 CTA 訊號呈現改善（請參閱 CTA 建模章節），其訊號績效似乎具有參考價值。
• 然而，CML 訊號對於數量有限的期貨市場是否仍具參考價值？
• 此外，CML 訊號與其他 AiLA 訊號之間是否具有互補性？

研究方法：

• 以基於 9 個期貨市場之 AiLA CML 純多頭訊號的指數（CML-LO）為起點，此指數的設計目標是與 GSCI 及 BCOM 的相關係數 𝜌 ~ 30 - 40%。
• 說明容量限制對指數的影響，以及此限制何時開始產生作用。
• 研究 CML 與其他 AiLA 訊號之間的績效重疊程度，以評估其互補價值。

CML 代表以機器學習強化的 CTA 策略（CTA Strategies enhanced by Machine Learning）
AML 代表以機器學習開發的 AiLA 策略（AiLA Strategies developed using Machine Learning）

• 若指數僅以少數市場為基礎，且各市場流動性差異甚大，則要達到高指數容量極具挑戰性。
• 此處我們使用距預定轉倉日一個月內的平均成交量，例如 RBOB 汽油過去 10 年約 60’000 口，並以過去 6 個月的平均價格換算為名目價值。
• 由於指數權重的再平衡只能依據每日成交量的一小部分進行，可行的市場權重因而受限，尤其是流動性最低的市場，因為各市場成交量的差距超過一個數量級。
• 若對 CML 純多頭指數進行大規模配置（例如 500M USD），每日有效訊號數量偏少，加上流動性僅允許每個市場配置一小部分，將限制指數容量。
• 因此，互補的市場訊號對於分擔配置容量也十分重要。

（* 所使用的報酬以各市場的近月合約為基礎，通常在合約到期前數週進行轉倉）

• 將 CML 訊號與使用相同 9 個期貨市場及純多頭訊號的其他 AiLA 訊號（AML-LO）進行比較。
• 預期這些訊號／市場的相似性將導致績效呈正相關，然而觀察到的數值相對偏低，通常為 ρ< 40%。
• 績效重疊程度低，主要是因為就特定期貨市場而言，CML 訊號辨識機會（亦即配置權重）的時點與其他 AiLA 訊號不同。
• CML 與其他訊號之間的互補性，預期將在以下方面帶來效益：
  • 績效，例如隨時間辨識出互補的機會；
  • 配置容量，例如在特定時點對不同市場進行更多配置。

（* 為使訊號重疊程度的比較更為單純，此處的結果並未納入任何流動性限制）

• 本研究探討一檔僅應用於 9 個期貨市場、以純多頭 CML 訊號為基礎的指數，其目的在於取得原物料商品市場的多頭曝險，例如與 GSCI 或 BCOM 的指數正相關係數約為 30 - 40%。
• 儘管市場數量少，但相較於常見策略（例如通常需要多得多的分散化市場的趨勢追蹤策略），此指數的績效似乎具有參考價值，惟指數容量有限。
• 在使用相同市場與純多頭設定的訊號比較中，CML 訊號在特定市場辨識機會（亦即配置指數權重）的時點與其他 AiLA 訊號不同，顯示兩者具有互補性。
• 這顯示 CML 訊號相對於其他 AiLA 訊號具有互補價值，一方面提升指數績效（來自額外的不相關報酬），另一方面增加配置容量（來自特定時點額外的市場權重）。