致力于分享量化策略，培训视频，Python，程序化交易等相关内容
作者简介
吕洋洋
某大型资管公司在职量化策略研究员，熟悉数据清洗工作，擅于运用宏观因子、行业因子等进行对期货品种价格影响建模与相关性分析，理解机器学习多元回归法，SVM，XGboost，金融时间序列等底层算法逻辑，部分算法可自定义函数封装。掌 握各种机器学习包与数据计算分析包的运用。包括不限于：Alphalens，pandans，爬虫技术，sklearn，statsmodels 等。
『正文』
ˇ
引言
上一篇中我们探讨了“残差动量刻画与构建”的初步逻辑与构建过程，第二篇我们进一步扩展该逻辑的构建范畴。正如上一篇文中所述，该策略的思想缘由跨品种的统计套利，那么我们在构建品种间，或者说确定品种间时候一定要找同一产业链、协整性高的品种。如下图所示：
图1 四大板块
逻辑与计算
我们在油脂板块中，按照初始逻辑我们需要拿一个品种分别的跟另外两个品种去做分析，那这样就会有6种情形。“棕榈”→豆油，“棕榈”→“菜油”，“豆油”→“棕榈”，“豆油”→“菜油”，“菜油”→“豆油”，“菜油”→“棕榈”。
这样子我们不仅分析起来超级麻烦，而且会导致当某一品种对板块内同品种量化择时时候，发生2次开仓的情况。例如：这一波菜油初始阶段明显强于棕榈和豆油，那么菜油会相对于棕榈和豆油开两次仓位。避免的情况就是将“菜油”→“豆油”，“菜油”→“棕榈”的两个场景打通去判断整体的逻辑。这无形是对策略组合做了加法，而这正是我们要避免的。
而有色品种板块足足有6个不同的品种，我们要做12个排列组合，为了避免上述的麻烦，笔者本人采取了将板块品种进行指数化，即：油脂指数、有色金属指数、黑色指数、化工指数等。如图1所示，我们将板块各个品种的主连复权后的价格进行指数编制。编制的算法如下图所示：
图2 指数算法
根据上图算法所示，实际上就是计算的当下的K线的开高低收，针对上一根K线收盘价的比例，然后根据板块内品种数量在求平均，也就是说计算的是板块内所有品种的开高低收的比例平均值，拟合的指数数据。我们将该时间序列数据作为板块的指数行情数据，在策略构建过程中，更倾向于股票市场当中的benchmark，而这是由同一板块，不同品种共同构建的指数行情，简单来看我们可以看做一种板块的平均行情数据。
图3 指数与品种回归计算
我们有了上述的共同基准后，将计算出来后的指数与品种收盘价进行的回归计算，上图是计算出某品种与指数的回归残差，即将每一个品种对该基准进行回归残差的计算，我们先来看一下每一个品种和指数的可视化图形，如下图所示：
图4 豆油与油脂指数
上图是豆油和油脂指数的K线图，如图所示在今年4月份，二次筑底过程中，豆油要比整体指数更加的抗跌，但是在随后的反弹过程中，豆油整体的反弹力度和顺畅度并不及于整体平均预期，当然我们这是从肉眼的定性观察而来，而从事后的角度来看，菜油是最早启动的强趋势行情的品种，自然也验证了该判断。
图5 菜油与油脂指数
下面，我们就将上一篇文章中的策略逻辑和该自定义指数进行回归残差的计算，计算方法和逻辑不变，没有看上一篇的，请点击“残差动量刻画与构（一）”进行阅读。
图6 菜油与油脂指数
图6是将菜油和指数进行回归后的指标可视化图，以及绩效开平仓点位图，从图中我们可以看到，在6月15日菜油相对油脂指数的残差已经表现出来了异常，通过粗略的择时规则，我们择时出来该处做多的信号。
图7 棕榈油与油脂指数
图7是将棕榈油和指数进行回归后的指标可视化图，以及绩效开平仓点位图。棕榈油此处的反弹与菜油不同， 属于阶段的残差异常情况捕捉，其中5月27、7月17、7月23、以及9月份最后的疯狂9月3开始的多头行情。
结语
综上所述：我们实际找的就是某个品种相对该板块指数的强势时间，其中也间接包括了选品种的过程，因为是把所有品种放了进去，择时的过程中也就选择了做多或者做空的品种。
策略展望
此两篇文章中讨论的只是为广大量化爱好者和从业者们提供一个策略思路，未来有很多优化的方案，需要大家自己完成。
优化 1：文中只是在油脂板块构建策略，未来可以拓展到黑色板块，有色板块，化工板块构建强策略。
优化 2：判断强弱的因子还有很多有效因子可以使用，不一定只是残差异常的关系。
优化 3：在刻画残差择时判断时候，由于多空结构的不对等，多空刻画存在差异。
优化 4：进出场信号使用了海龟交易法则择时，也可以使用其他更好的择时策略都可以进一步提升模型的绩效和稳健性。
优化 5：我们可以构建多空对冲策略，以捕获类似股票Alpha收益的策略。
本策略仅作学习交流使用，实盘交易盈亏投资者个人负责。