本报告基于谱聚类算法,构建了适合CTA私募基金的分类方法。通过对4491个产品6年数据的聚类分析,归纳出收益率相关性强的子类,对比第三方分类标准,谱聚类分类在解释力和收益表现上均优于市场标准,为CTA基金的资产配置与产品遴选提供了数据驱动的有效工具 。
| 模型参数 | 谱聚类训练集-adjR2 | 谱聚类测试集-adjR2 | 三方分类测试集-adjR2 |
|---|---|---|---|
| q=3,p=8 | 0.0664 | 0.0286 | 0.0123 |
| q=4,p=8 | 0.0839 | 0.0373 | 0.0123 |
| q=5,p=12 | 0.0828 | 0.0465 | 0.0123 |
表4:模型 q=5,p=12 绩效统计
| 统计指标 | 谱聚类-等权 | 三方分类-等权 | 谱聚类-波动率倒数加权 | 三方分类-波动率倒数加权 |
|---|---|---|---|---|
| 累计收益率 | 95.53% | 83.16% | 93.89% | 81.95% |
| 最大回撤 | -2.42% | -1.70% | -2.43% | -1.48% |
| 年化收益率 | 14.82% | 13.29% | 14.62% | 13.13% |
| 年化波动率 | 4.92% | 4.15% | 4.33% | 3.30% |
| 夏普比率 | 2.71 | 2.84 | 3.03 | 3.52 |
报告指出当前CTA私募基金策略多样、表现差异大,但市场缺乏统一且有效的分类方法。作者基于谱聚类这一机器学习聚类算法,通过分析基金收益率相关性数据,构建了一个比第三方现有分类更具解释力和预测能力的CTA私募基金分类标准。此方法通过严谨的数据清洗及截面虚拟变量回归分析,验证了谱聚类分类的优越性,且通过回测显示合成净值表现优于传统分类。报告目标是为CTA策略的细化分类和分散化资产配置提供新思路和有效工具。其投资提示及风险提示也明示模型设定可能存在偏差,提醒投资者审慎使用 。
配置意义
CTA基金即管理期货基金,主要投资金融期货及商品期货,可进行多空操作。其低相关性特征以及多空双向操作能力,在不同市场环境(牛市或熊市)均具备收益能力。引入CTA资产能改善投资组合有效边界,提高组合收益风险比,增加投资路径的多样性,降低风险,提升回报潜力。
这一节强调对同类CTA产品细分的重要性,指明笼统比较大类CTA产品效果欠佳,亟需依据其策略不同(趋势、套利、频率差异)划分合理子类,优化投资组合配置和风险分散。报告也指出目前私募信息披露透明度不足,存在官方统一标准缺失及第三方分类参照价值有限的问题。
数据描述
基金样本选用了4491个CTA私募基金,时间跨度2016年1月至2021年11月,覆盖日度净值数据。净值披露数量逐年增加,呈现信息密度不断提升趋势。第三方分类以管理期货复合策略和量化趋势为主要子策略分类。
理论基础
谱聚类是基于图论的聚类算法,将资产(CTA基金)看作图中的点,收益率相关性作为点间的边权重。此方法关注切图的优化,即切割图时使不同子图间边权的总和尽可能小,而子图内部的边权尽可能大,从而聚集收益相关性强的基金。
重点概念解释:
通过计算归一化拉普拉斯的前k个最小特征值对应的特征向量,进行降维得到特征矩阵H,然后对H的行向量进行传统的如k-means聚类完成最终分类。
算法流程详细步骤:
报告采用周度收益率计算,选取过去48周内数据空缺不超过5周的基金产品。对没有固定更新频率的基金,利用本周最后净值与下周首次净值的平均值估计“标准净值”,并利用缺失填充确保数据连续性。
训练集使用过去46周收益率,测试集使用未来11周数据,期间避开训练和测试交界周保证无未来数据泄漏(数据安全性处理)。
图4清晰呈现了标准净值计算方式的日-周换算逻辑,体现对数据时点修正的细致处理。
聚类效果通过两项指标评估:
此外,对比市场已有第三方分类方法的评分,彰显谱聚类方法的优越性。
利用滚动窗口技术,结合时间衰减权重计算相关系数矩阵作为图的邻接矩阵。衰减速度定义为对数函数且带参数decay,保证近邻效应随时间衰减更快,保障样本近期数据权重更大(图5示意理想衰减曲线)。
比较9组模型(聚类簇数量q=3,4,5,计算相关系数时间长度p=8,10,12周)的训练和测试adj-R²与第三方分类adj-R²,结果如下:
谱聚类最优模型q=5,p=12表现稳健,尽管轮廓系数随时间略有下降,但测试集adj-R²保持稳定,展现模型的泛化能力和样本外价值。
具体回测时段指标表现详见表2,且t检验结果支持adj-R²显著不同于零,展示模型对收益率分类解释力度显著。
谱聚类与第三方分类交叉表显示,谱聚类部分类别对第三方常见的“管理期货复合”、“量化趋势”等存在重叠,同时对“主观趋势”、“量化套利”等小众分类反映更灵敏,捕捉到了第三方可能忽视的细分策略类别,体现出谱聚类的增值信息(表3)。
进一步,报告通过二次谱聚类对各期分类结果进行整理,减少同一期内部标签重叠,优化分类稳定性及可解释性,得到不同期谱聚类子类净值走势显示谱聚类子类间差异显著,高于第三方分类间的区分度(图6、图7)。
本报告聚焦于CTA私募基金的分类方法研究,未涉及传统意义上的估值分析(如DCF、PE等)。报告的技术核心在于量化模型建立与评估,收益率相关性矩阵构建为“估值”输入,邻接矩阵的设计及谱聚类算法参数(q、p、decay)为调优关键。模型有效性通过统计指标adj-R²、轮廓系数、合成净值绩效验证。
报告明确指出风险包括:
报告未明确给出风险缓解措施,但通过多模型测试、样本外验证和对比分析试图降低单一模型失误风险,提升方法稳健性。
该报告以谱聚类算法为核心技术框架,从CTA私募基金收益率相关性角度切入,构建了一个数据驱动的分类方法。通过严格数据清洗、模型参数调优及评估指标轮廓系数、adj-R²测试,验证了谱聚类分类的统计显著性和样本外稳健性。对比传统第三方分类,谱聚类结果不仅解释力更强,更在回测中展现出更优的净值表现和收益率增长潜力,尤其在2020年经济环境期间优于传统分类的优势明显。
报告主要结论包括:
综合来看,该技术路线为CTA私募基金的量化分类和资产配置提供了较为科学和系统的解决方案,填补了现有市场分类标准信息不足的空白,具备较高的现实应用价值与推广潜力,适合机构投资者在CTA多策略配置与基金选取环节考量纳入参考体系。
图1 CTA私募基金第三方分类统计
图3 图论切图示例
表1 9种谱聚类模型回测效果比较
| 模型参数 | 谱聚类训练集-adjR2 | 谱聚类测试集-adjR2 | 三方分类测试集-adjR2 |
|---|---|---|---|
| q=3,p=8 | 0.0664 | 0.0286 | 0.0123 |
| q=3,p=10 | 0.0612 | 0.0295 | 0.0123 |
| q=3,p=12 | 0.0562 | 0.0285 | 0.0123 |
| q=4,p=8 | 0.0839 | 0.0373 | 0.0123 |
| q=4,p=10 | 0.0765 | 0.0369 | 0.0123 |
| q=4,p=12 | 0.0707 | 0.0394 | 0.0123 |
| q=5,p=8 | 0.0914 | 0.0440 | 0.0123 |
| q=5,p=10 | 0.0858 | 0.0454 | 0.0123 |
| q=5,p=12 | 0.0828 | 0.0465 | 0.0123 |
表4 模型q=5,p=12绩效统计(部分)
| 统计指标 | 谱聚类-等权 | 三方分类-等权 | 谱聚类-波动率倒数加权 | 三方分类-波动率倒数加权 |
|---|---|---|---|---|
| 累计收益率 | 95.53% | 83.16% | 93.89% | 81.95% |
| 最大回撤 | -2.42% | -1.70% | -2.43% | -1.48% |
| 年化收益率 | 14.82% | 13.29% | 14.62% | 13.13% |
| 年化波动率 | 4.92% | 4.15% | 4.33% | 3.30% |
| 滚动1年胜率 | 100.00% | 100.00% | 100.00% | 100.00% |
| 夏普比率 | 2.71 | 2.84 | 3.03 | 3.52 |
图6 谱聚类子类净值走势
图7 三方分类子类净值走势
多个模型合成净值对比示意(例如图11)
通过严谨的谱聚类算法设计和应用,结合详实的实证检验,本报告为C TA私募基金的分类问题提供了一种科学且可操作的解决方案。在当前行业缺乏统一标准与分类混乱的背景下,报告成果具备理论创新及现实指导价值,有助于机构投资者优化CTA策略选择、提升资产配置效率及风险控制能力。未来伴随着数据质量的不断提升和模型完善,谱聚类等量化方法有望成为行业分类和策略评价的新基准。投资者仍需关注模型假设和数据限制,结合定性判断谨慎使用。
【全文引用自:《基于谱聚类的CTA私募基金分类方法研究》华宝证券研究创新部,分析师:张青,2021】
金融工程专题报告:基于谱聚类的CTA私募基金分类方法研究.pdf