摘要：我国期货市场的投资者大多数为采用技术指标分析法的“噪音交易者”。其中，趋势线是最常用的技术指标之一，但趋势线的确定和使用方法因投资者而异，没有统一的标准。因此，现有工作也缺少对趋势线盈利能力的实证研究。文章首先基于拐点构建动态趋势线，其次基于动态趋势线构建Z（Zigzag Trend Line）模型，再次基于模型构建期货投资策略，并使用38个期货品种近10年的1小时价格数据进行实证研究。实验结果显示，Z策略的回撤大、胜率低，但盈利水平比较高，属于高风险、高回报策略。最后通过结合研究成果和Markowitz组合投资理论给出构建投资组合的建议，在保证收益的同时进一步降低投资风险。

　　关键词：期货；策略；趋势线

　　本文提出利用拐点构建一种基于趋势线指标的Z模型和期货交易策略，然后用38个期货品种的数据对该策略进行实证研究，最后结合Markowitz组合理论给出投资组合建议。理由如下：在实际交易中，采用趋势线指标判断交易方向的交易者占多数。虽然多数人都采用当价格向上突破高点连成的趋势线时做多，向下突破低点连成的趋势线时做空的方法，但高低点的选取和趋势线的确定方法没有统一的标准，导致目前缺少基于趋势线指标投资策略的实证研究；投资者通常采用组合投资的方式分散风险。相较策略在少数几个品种的盈利能力，投资者更重视策略盈利能力的可持续性和泛化能力，即策略在不同交易品种、不同市场走势的盈利稳定性。

　　一、国内外研究现状

　　国内外学者对传统技术指标分析法在金融市场的可预测性进行实证研究。胡晓彤等[1]结合BOLL、MA等指标，确定各种有效的金融市场模式。周明华等[2]构建了基于收盘价和成交量的MACD_V指标模型，对股指期货的实证表明新模型比传统的MACD模型更稳定。尹力搏等[3]分别采用MA、MOM、VOL三个指标对2005—2015年我国铜期货和大豆期货进行实证研究，结果显示技术指标可以显著预测大宗商品价格走势，且对不同的数据频率和不同的模型设定，预测效果稳健。与前几个研究结论不同，李爱泉[4]对18个商品期货价格指数进行回测，发现基于KDJ指标的策略盈利能力不佳。

　　一些学者使用计量经济模型预测商品的价格变化趋势。例如，广义自回归条件异方差模型、自回归积分滑动平均模型和向量自回归模型等。然而，商品的价格序列是非线性、非平稳的，上述模型不能很好地描述商品价格非线性的特点，导致预测效果不理想。

　　针对传统计量经济模型的缺陷，学者采用人工智能技术进行预测和研究。孔傲等[5]用遗传算法寻找最优技术指标的组合。陈荣达等[6]使用启发式算法提高支持向量机模型的准确率，该策略的年化收益率远远大于基准组合。张茂军等[7]用决策树方法提取区间突破分类标签和值特征选择指标，构建CLBIB-VSD-CART算法，形成量化择时策略系统，在螺纹钢期货交易中取得较好的收益。饶瑞等[8]提出一种融合长短期记忆（LSTM）网络细胞结构的深度确定性策略梯度交易算法，利用细胞结构对当前信息和历史特征进行环境特征提取和保存，用于指导交易决策。在上证50指数基金的分钟级数据上进行实验，结果表明该算法能有效捕获稍纵即逝的交易机会，是一种低风险高收益的稳健性投资策略。

　　上述文献均采用单个人工智能方法对价格变化趋势进行预测，泛化能力较弱，运用样本外数据不能很好地预测商品价格走势。针对该问题，学者将多种方法和模型进行组合。例如，邸浩等[9]构造LSMT-Adaboost模型，将商品价格走势的基本特征融入投资策略设计中，给出基于模型的商品期货投资策略，盈利能力和风险控制能力都比单一的LSTM模型有较大改善。张明[10]研究了基于多品种多策略组合的商品期货量化投资策略，表明通过多市场多策略的组合投资，可以满足投资者低风险、高收益的要求。

　　本文基于拐点构建一种基于动态趋势线的Z模型，并基于Z模型提出相应的投资策略，主要创新点包括：根据大多数噪声交易者的交易特点，构建一种基于趋势线指标的模型，并提出相应的期货交易策略；本研究的实证对象包括金融期货和商品期货在内的38个品种，更能检验Z策略的鲁棒性，其他研究的实证对象只包括少数几个品种；Z策略在每根K线存续期内的任何时间点都可以交易，交易价格不一定是收盘价；其他研究大多只采用收盘价进行回测。

　　二、相关投资理论

　　（一）Markowitz组合理论

　　根据Markowitz组合理论，投资组合中交易品种无限增加时，组合风险趋于0；在组合内品种数量相同的情况下，各品种间相关性越小，组合风险越小。说明构建低相关性的组合可以降低非系统性风险。

　　（二）波动性及风险分析方法

　　本论文采用标准差来衡量波动性，标准差越小，说明波动性越小。采用a-r低阶距模型（LPM）来计算投资者未达到目标值的程度，风险忍受程度a度量实际收益率低于目标值r的风险，LPM值越小，距离目标收益率的风险越小。其定义如公式1所示。

　　三、Z模型和投资策略

　　（一）Z模型

　　模型在运行时首先初始化各参数，然后从K线序列的第4根开始，从左到右依次对每根K线进行如下操作。

　　a.将当前K线的前3根K线组合进行归类。当组合的第二根K线具有最高的最高价high时为A类；具有最低的最低价low时为B类；同时具有最高的high和最低的low时为AB类；其他情况为C类。当组合为A、B或AB类时，保存组合的类型、第二根K线的收盘价和编号为列表1内的一个节点。

　　b.若组合为C类，跳到（3）；若为A、B或AB类，将组合的类型、第二根K线的收盘价和编号封装成一个新节点，保存入列表1。若列表1最后两个节点的组合类型一个为A，另一个为B，且两个节点保存的价格相差至少diff,则称前者为拐点，保存入列表2；后者为首点，保存入列表3。

　　c.取出列表2的最后3个拐点和列表3的最后1个首点。

　　d.使用第一和第三个拐点画出一条趋势线，使用第二个拐点和最后一个首点生成两条趋势线。

　　e.根据两条趋势线分别算出当前K线未经调整的原始做多价和做空价。

　　f.调整原始做多价和做空价，使两个价格之间至少相差diff，得到最终的做多价upP和做空价dnP。

　　（二）交易策略

　　当交易品种的实时买1价大于upP时开多仓（没有仓位时）或平空仓开多仓（已经持有空仓时）；当交易品种的实时卖1价小于dnP时开空仓（没有仓位时）或平多仓开空仓（已经持有多仓时）。此外，Z策略限制在每根K线存续期间只能开仓0—1次。

　　四、实证及结果分析

　　本研究使用软件TradeBlazer编写模型和交易策略，并选取中国期货市场38个品种2008年1月1日至2019年8月4日的指数价格进行测试。由于每个品种的初始上市日期不同，价格数据的实际起始日期不同。测试中采用的K线周期为1小时，保证金统一设为15%，手续费率为成交价格的万分之二。此外，本文中最大回撤比的计算公式为：最大回撤比=最大资产回撤/最大使用保证金。最后，假设初始资金足够多，可以持续交易。当diff分别等于0.01和0.02时，回测结果如表1所示。由38个品种构成的投资组合盈利风险水平如表2所示。

　　从表1的回测结果可知，策略盈利比率不高，只有三分之一左右。此外，几乎所有品种的最大回撤比都大于1，说明最大回撤资金已经超过保证金，单品种交易的情况下存在爆仓风险。

　　表2的数据显示，当diff等于0.01或0.02时，38个品种组合的平均年收益率均超过50%，盈利品种数分别为30个和33个，占比高达79%和87%。说明Z策略的长期盈利能力稳定，对不同交易品种、不同市场走势的适应能力较强。比较表2的两行数据，发现diff等于0.02时的收益率标准差、LPM值、总交易次数相对较小，具有更高的稳定性和适用性，实盘交易中受滑点现象的影响更小。

　　五、投资组合构建

　　通过构建投资组合可以缩小收益率和最大回撤的波动范围、平滑资金曲线、降低投资风险。组合的构建和优化有以下两种方法。

　　第一种，根据Markowitz组合理论构建投资组合。可以先将所有品种按其属性进行归类，再从每类中找出收益率最高的几个品种作为组合投资对象，每个品种的资金权重一样。

　　第二种，采用不同的diff参数构建投资组合。先找出回测收益较好的多个品种构建投资组合，然后再将组合中每个品种的仓位分成两部分，一部分用0.01参数，另一部分用0.02参数。由于38个品种组合在两个参数下平均年收益差不多，而不同参数下同一品种的两部分仓位不可能一直保持同向，这样构建的组合应能在平均收益率没有大幅变化的情况下平滑资金曲线，降低投资风险。

　　六、结论

　　本文提出一种利用拐点构建基于动态趋势线指标的zzTL模型和期货交易zzTL策略，并使用软件TradeBlazer建模及模拟交易，最后选取我国期货市场38个品种近10年来的1小时价格数据验证策略的有效性，得到如下结论。

　　zzTL策略的平均胜率只有1/3左右，预测准确率不算高。

　　在保证金为15%的情况下，最大资产回撤大于最大使用资金，单品种投资有爆仓风险。

　　当zzRate取值为0.01和0.02时，38个品种中分别有30个和33个品种盈利，盈利品种占比高达79%和87%，说明基于zzTL模型的策略对不同交易品种、不同市场行情的适应能力较强。在长期交易的情况下能为投资者带来盈利。

　　zzRate等于0.01和0.02时的平均年收益率相差不大，但zzRate等于0.02时的风险相对更小。

　　该策略属于高风险高收益类型；可通过构建低相关的投资组合，增加交易品种数量，或对组合中不同的品种采用不同的zzRate参数来降低投资风险。

　　以上结果表明，本文提出的zzTL策略虽然预测准确率低、单品种短时风险度高，但是超过79%的期货品种盈利，其盈利能力具有可持续性和普遍适用性，在进行长期、组合投资的情况下，能减少资金曲线最大回撤，同时为投资者带来高额收益。

参考文献：

　　［1］胡晓彤，王子银．基于模糊模式识别的金融数据分析［J］.制造业自动化，2011，33（4）：208-211.

　　［2］周明华，张敏凯，周婷婷．基于成交量的MACD构建和策略研究［J］．浙江工业大学学报，2017，45（2）：184-189.

　　［3］尹力博，杨清元，韩立岩．技术指标能够预测商品期货价格吗?来自中国的证据［J］．管理科学学报，2018，21（6）：99-109.

　　［4］李爱泉．基于KDJ指标的期货程序化交易策略研究［J］.广西质量监督导报，2019（4）：79-81.

　　［5］孔傲，朱洪亮，郭文旌．一个基于技术指标规则的启发式量化择时系统［J］．系统工程，2019，37（1）：111-122.

　　［6］陈荣达，虞欢欢．基于启发式算法的支持向量机选股模型［J］．系统工程，2014，32（2）：40-48.

　　［7］张茂军，饶华城，南江霞，等．基于决策树的量化交易择时策略［J］．系统工程，2022，40（2）：118-130.

　　［8］饶瑞，潘志松，黎维，等．基于深度强化学习的高频交易优化算法［J］．南京理工大学学报，2022，46（3）：304-312.

　　［9］邸浩，赵学军，张自力．基于LSTM-Adaboost模型的商品期货投资策略研究［J］．南方金融，2018（8）：62-76.

　　［10］张明．基于多市场多策略趋势跟随的投资组合研究［D］.重庆：重庆工商大学，2016.