商品期货持仓龙虎榜中蕴藏的投资机会——CTA专题报告（九）

报告提要

持仓的二八定律
二八定律是一种常见的现象。在国内三大商品期货交易所每日公布的持仓龙虎榜（即会员持仓排名）中，我们也发现了类似的规律。大商所大部分品种头部20%的会员占有约70%-80%的仓位；所有42个样本品种2010年以来前20大会员的平均持仓占比，除鸡蛋和苹果外，均高于50%，平均占比达61%。

前20大持仓主力重构
三大期货交易所对会员持仓信息的公布规则有所区别，且各交易所自身的公布规则也在变化。大商所在2018年3月前公布的是所有会员的持仓明细，而之后也与大商所和上期所一样只公布前20大会员的持仓信息。因此我们无法基于所有持仓明细构建策略。本文利用单一品种所有活跃合约的前20大持仓数据重构持仓主力会员，并基于这些关键少数信息交易者的多空强弱构建横截面策略。

结合持仓集中度的多空相对强弱异常度横截面策略
在不同观察窗口下，结合持仓分布的加权多空相对强弱异常度因子表现均优于简单等权因子。不同异常度因子均在5日观察窗口下表现最佳，且随着观察期的拉长收益出现不断衰减的特征。在动态品种法下，我们滚动剔除因子历史有效性较弱的品种。当观察期为80-160日、品种使用期为5日时策略表现更佳，扣费后平均年化收益8.4%，夏普比率1.30，Calmar比率0.83，相对于全品种策略有明显改进。

持仓四因子模型扣费后优势更明显
综合单因子策略收益、风险、换手率及策略间相关性等维度考虑，我们将加权多空相对强弱异常度、空头主力加权持仓异常度、多头主力持仓占比标准差异常度和空头占比标准差四个因子复合后构建持仓多因子策略，扣费后的四因子动态品种策略依然能取得10%以上的年化收益，夏普比率1.48，Calmar比率达1.53。且策略对权重配置的敏感性较低。

动态品种策略相比于全品种策略表现更优
动态品种策略对持仓单因子和多因子策略均有显著提升，但对单因子策略的提升更明显。从分年度表现来看，动态品种策略在大部分年份优于全品种策略，且近两年的优势更明显。

正文

本文主要借助商品期货交易所每日公布的会员持仓龙虎榜分析各品种的持仓特点，利用单一品种所有合约的持仓数据重构持仓主力会员，在考虑持仓集中度的情况下，试图基于多头持仓主力和空头持仓主力的相对强弱在横截面上构建投资策略。

1商品期货持仓龙虎榜
期货市场是一个多空双向市场，投资者所持有的多头或空头头寸理论上代表其对于未来市场走势的判断，这一判断可能是综合了大量公开或非公开基本面信息、量价数据的结果。

根据Black（1986）的噪音交易理论，市场上的交易者可分为信息交易者和噪音交易者两类。从所有交易者的整体持仓来看，有多少多头头寸就一定有相同数量的空头头寸，因此总持仓量的变化无法直接提供有助于投资决策的信息。我们需要关注的是关键少数信息交易者的多空相对强弱，从这些关键少数交易者的决策中挖掘投资机会。我国三大商品期货交易所每日公布的持仓龙虎榜（即会员持仓排名数据）正好为我们提供了一个探索渠道。

1.1
三大交易所持仓信息公布规则
我们发现，上期所、郑商所、大商所的持仓信息公布规则有所差异，且各交易所自身的公布规则也在变化。

上期所公布的是活跃月份期货合约前20名期货公司会员的成交量、买持仓量和卖持仓量。郑商所每日公布最近交割月及活跃月份前20名会员的成交量和买卖持仓量。大商所在2018年3月27日前公布所有会员的持仓明细，而之后也与郑商所和上期所一样仅公布活跃月份合约前20大会员的成交持仓信息。

交易所对于不同品种活跃月份的定义有所区别，根据各大交易所官网信息，各期货品种交易成交持仓公布标准如下：

上期所（2019年8月6日）：
铜：持仓量达3万手，铝：持仓量达3万手，锌：持仓量达3万手，铅：持仓量达3万手，镍：持仓量达3万手，锡：持仓量达2万手，黄金：持仓量达2万手，白银：持仓量达6万手，螺纹钢：持仓量达20万手，线材：持仓量达12万手，热轧卷板：持仓量达20万手（暂定），燃料油：持仓量达10万手，沥青：持仓量达10万手，橡胶：持仓量达1万手，纸浆：持仓量达8万手。

大商所（2018年3月27日后）：双边持仓量大于、等于2万手。

郑商所对于活跃合约的持仓量要求并未给出具体说明。

根据以上信息，目前可得的是活跃合约前20大会员的持仓信息。意大利经济学家帕累托认为，在任何一组东西中，最重要的只占其中一小部分，约20%，其余80%尽管是多数，却是次要的，因此只要能把握关键少数即能控制全局。这个规律是否也蕴藏在商品期货持仓数据中？如果我们把每家期货公司会员视为一个交易者，排在头部的持仓主力会员是否能视作“关键少数”信息交易者为我们的投资决策提供参考呢？下面我们首先对各品种的持仓分布进行研究。

1.2
持仓的二八定律
截至2019年8月22日，我国共有55个商品期货品种上市交易，满足我们定义的上市时间和流动性要求（见前期系列报告）的品种共有42个。

1.2.1. 大商所品种持仓规律
已知大商所在2018年3月27日前每日公布所有会员持仓明细，我们可以从明细数据中总结一些规律并类推到其他品种。

我们统计了2010年1月4日-2018年3月27日大商所公布的14个期货品种的会员持仓明细数据，发现持仓分布确实近似符合“二八定律”，除鸡蛋外，大部分品种头部20%的会员占有约70%-80%的仓位。从持仓会员数来看，除前期流动性较差的豆2外，各品种的持仓会员数均为150家左右。

1.2.2. 前20大会员持仓占比
虽然上期所和郑商所只公布前20大会员的持仓，无法根据明细数据来研究持仓分布，但从大商所的14个品种持仓规律可见一斑。我们推测大部分品种的持仓分布满足二八定律，即关键少数会员掌握着大比重的仓位。而我们的目标是分析关键少数会员的多空势力强弱来构建投资策略。

目前我们能获取的仅为各品种活跃合约前20大会员的多空持仓数，从大商所的前期持仓明细来看，各个活跃品种的持仓会员数约为150，持仓头部20家会员约占总持仓会员数的13%，那么其持仓占比约为多少呢？我们统计了所有42个样本品种2010年以来前20大会员的平均持仓占比情况，发现除鸡蛋和苹果外，其余各商品前20大会员的持仓占比均高于50%，平均占比达61%。

2
持仓主力重构与多空相对强弱刻画
从第一部分的分析中我们发现了商品期货持仓的二八定律，下面我们试图将头部持仓主力作为关键少数信息交易者，重点研究其多空持仓的相对强弱。

2.1
前20大关键少数会员重构
交易所公布的前20大会员持仓数是按合约来分类的，而某一品种每日活跃的合约数可能不止一个（见图2），同一家会员可能同时持有一个品种多个到期月份的合约。我们希望对所有活跃合约的持仓龙虎榜进行汇总研究，为了保证不同品种横截面的可比性及因子构建的合理性，有必要对前20大关键少数会员进行重构。一个思路是将持仓龙虎榜上公布的持仓信息按会员重新分类汇总，分别统计其持有的某一品种所有活跃月份合约的多头或空头头寸，对该汇总值进行二次排序，选出头部前20大会员。

2.2
持仓主力多空相对强弱因子
信息交易者的多空势力强弱对期货价格走势可能更具指导意义。下面我们构建关键少数头部会员的持仓多空相对强弱因子。

首先，对于单一品种而言，每日相同数量多空持仓主力的持仓绝对量之差即可能涵盖了市场的多空情绪相对强弱，然而要在横截面上比较，还需要考虑品种间存在的持仓总量差异、交易单位差异、活跃度差异等，因此，我们通过占比的方式来消除量纲的影响。我们定义持仓主力多空相对强弱LRSR（多头主力持仓占比之和-空头主力持仓占比之和）为

以上计算对每家持仓主力一视同仁，并未考虑持仓分布的影响，如多空持仓占比相同，但多头持仓明显集中在几家头部，而空头类似为均匀分布，此时一个直观的想法是多头主力可能存在更多信息，多头情绪更盛。因此，我们考虑给不同排序位置的持仓主力赋予不同的权重，如以持仓占比为每一会员的持仓权重，构建引入持仓分布的持仓主力加权多空相对强弱因子WeightedLS（多头加权持仓之和-空头加权持仓之和）：

3
基于多空相对强弱异常度的横截面策略表现
每个品种每日可得持仓主力多空强弱，基于自身也可以得出多空强弱的异常度（即时间序列的标准化或历史分位点），在横截面上既可以直接比较得出相对强弱，也可以比较这一异常度。

3.1
多空相对强弱与强弱异常度
在横截面上，我们可基于每日持仓主力多空强弱做多多头情绪相对更强的品种，做空空头情绪相对更强的品种。这一强弱对比可以是基于当日多空强弱的直接对比，也可以是多空强弱异常度的对比。异常度因子的引入本质上涵盖了对单个品种时间序列维度异质性的考量。本文以相对于历史均值的偏离、标准化因子值和历史分位点三种方法刻画多空相对强弱的异常度。具体如下：

3.2
全品种多空对冲策略
下面我们基于多空相对强弱原始因子和强弱异常度因子分别构建横截面策略。多空比例均为当日可投资品种的20%，即做多多头情绪更强或异常强的20%品种，做空空头情绪更强或异常强的20%品种。回测区间为2010年1月4日-2019年7月30日。策略参数与操作规则如下：

参数定义：持仓主力多空相对强弱因子异常度计算的窗口期（即异常度观察窗口/排序期R，R=1表示原始因子值）。
操作规则：每日收盘后计算因子信号，次日开盘调仓。各品种等权配置，每次调仓进行组合各品种的权重再分配。假设操作不带杠杆，且不考虑现金部分收益。手续费暂不考虑。

从不同排序期回测结果来看，六个异常度因子均在5日排序期下取得最高的年化收益，且随着排序期的拉长收益基本呈现不断衰减的特征。对比不同因子表现，我们发现在各参数下，结合持仓分布的加权多空相对强弱异常度因子的表现均优于简单等权多空相对强弱异常度因子。且以标准化因子值（Dev2）或相对于历史均值的偏离（Dev1）来刻画多空相对强弱异常度的策略表现相对更好。

基于WeightedLSDev2的横截面策略分年度收益结果显示，2018年以来策略表现较弱。进一步地，我们按板块和品种统计了整体收益来源，发现：

分板块来看，农产品和化工品信号次数占比最高，农产品整体收益贡献最多，但黑色系的单位信号收益最高，贵金属收益贡献为负；
分品种来看，焦炭、棉花、锌、铜、甲醇贡献的收益最多，甲醇、焦炭、石油沥青、锰硅、热卷的单位信号收益最高，黄金、镍、铅等11个品种的收益贡献为负。

那么，是否存在某些品种天然不适合用持仓主力多空相对强弱因子构建策略？下面我们通过检验单品种因子值与收益率在时间序列上的相关性，来分析因子对各品种收益的预测能力及其在各品种上的适用性。图9显示，2010年以来，苹果、铅、动力煤等8个品种的因子值与次日收益率呈负相关，即当日持仓主力的多头情绪相对更浓时次日的收益走低的概率更大，因子有效性较弱，也就是说可能存在情绪反转现象，这与策略逻辑相悖。

对比图8我们发现，8个因子值与收益率相关性不符合预期的品种中有6个的收益贡献为负，即单品种因子对时间序列收益的预测能力与其在横截面策略中的表现具有较强的一致性。

3.3
动态品种多空对冲策略
以上结果是基于全样本的信息，但不同时间段不同品种因子有效性可能存在差异。如果因子值与收益率的相关性存在动量效应，那么过去因子值与收益率相关性低的或者不合逻辑的品种在未来可能依然表现不佳。把这些对策略收益贡献存在潜在隐患的品种剔出样本理论上将有助于提高策略表现。

基于以上分析，为了避免用到未来信息而造成前视偏差，我们尝试利用历史信息来动态筛选样本品种。如图10所示，我们采用滚动方式来检验观察期内单品种T日因子值与T+1日收益率的相关性（即因子有效性），筛选相关系数满足因子逻辑的品种作为未来一段时间的样本品种。在测试前首先需要确定相关性观察期、品种筛选规则和动态品种使用期长度。基于我们构建的多空相对强弱异常度因子逻辑，因子值与收益率应当存在正相关，因此我们定义样本品种为历史相关系数为正的品种。下面我们在相关性观察期为60-240日，动态品种使用期为5-20日区间内检验动态品种策略效果及其对窗口的敏感性。

图11-图12展示了不同窗口下动态品种策略的年化收益和Calmar比率。图13-图14是扣费后的表现，费率设为单边万分之二。从结果来看， 30个参数组下动态品种策略平均年化收益13.3%（费后7.6%），夏普比率2.07（费后1.18），Calmar比率1.68（费后0.63）。当相关性观察期为80-160日、品种使用期为5日策略表现更佳，扣费后平均年化收益8.4%，夏普比率1.30，Calmar比率0.83，相对于全品种策略有明显改进。这一结论在图15和图16可以更直观地体现，其中“80-5动态品种”表示80日相关性观察期和5日品种使用期参数下的动态品种策略。

进一步地，我们以80-5动态品种策略为例进行分析。图17、图18对比了不同样本品种策略扣费前后净值走势。结合分年度表现来看，除2013、2014和2017年，其余年份动态品种策略均优于全品种策略，从相对强弱线来看，近两年的优势更明显。然而单个因子策略依然存在较大回撤，不管是从全品种还是动态品种策略来看，由于换手率较高，扣费后的Calmar比率均小于1。

4
多个单边持仓因子策略
基于降低单因子回撤的考虑，我们试图利用其他维度的持仓信息来挖掘与多空强弱因子相关性较低且表现较好的单因子，来尝试构建基于持仓信息的多因子策略。

4.1
单因子构建
此前的分析都是从多空双方的相对强弱维度出发构建因子，但有时单边持仓信息也可能蕴含着有价值的信息，且可能与前述因子相关性较低。下面我们从单边持仓占比、加权持仓和持仓集中度出发，构建了如下因子：

从3.1的分析中我们知道，除了对比原始因子值，还可以引入异常度的考量。因此，同样地，我们以Dev1、Dev2和Dev3三种方式刻画以上6个单边持仓因子的异常度。

4.2
单因子策略回测
下面我们结合因子逻辑在横截面构建多空对冲策略，其中与空头持仓相关的因子多空方向与多头或前述多空相对强弱因子相反，即做多因子值小的品种，做空因子值越大的品种。单因子多空方向及每个因子原始值和异常度因子策略扣费前的回测结果如下表所示。异常度因子排序期R均设为5。主要结论有：

基于因子原始值的策略表现较差，但换手率低；
大部分因子引入异常度变形后收益显著改善，但换手率也明显提高；
空头主力加权持仓异常度（WeightedSDev）和多头主力持仓占比标准差异常度（StdLRDev）表现最佳，且在不同异常度计算方式下差异不大。

4.3
单因子相关性分析
下面我们筛选部分表现还不错的多空强弱因子和单边持仓因子，检验各单因子间横截面排序值的相关系数。从结果来看，我们发现同一原始因子的不同异常度变形因子相关系数达0.8以上，存在高度相关，因此不能同时引入多因子模型中。StdSR和WeightedSDev1与大部分因子的相关性均低于0.2。

5
基于持仓龙虎榜信息的多因子复合策略
综合单因子策略收益、风险、换手率及策略间相关性等维度考虑，本文以WeightedLSDev2、WeightedSDev1、StdLRDev3和StdSR为例，说明基于持仓龙虎榜信息的多因子复合策略的表现。最终的复合因子为各单因子排序值的等权加总。

5.1
全品种策略表现
首先，我们在全品种内构建横截面多空对冲策略，做多四因子综合排序值最高的20%品种，做空排序值最低的20%品种。参数设置和操作规则与单因子策略一致。从分年度表现来看，四因子全品种策略相比于单因子策略改进明显，但扣费后近两年依然表现不佳。

5.2
动态品种策略表现
下面我们检验四因子动态品种策略表现，品种筛选方法如图10所示。从不同窗口期下的回测结果来看， 30个参数组下动态品种策略平均年化收益14.4%（费后9.6%），夏普比率2.06（费后1.37），Calmar比率1.53（费后0.79）。当相关性观察期为120-160日、品种使用期为5日策略表现更佳，扣费后平均年化收益10.2%，夏普比率1.47，Calmar比率1.21，收益和回撤相对于全品种策略有明显改进。

进一步地，我们以120-5动态品种策略为例进行分析。图24、图25对比了四因子不同样本品种策略扣费前后净值走势。从全样本结果来看，扣费后的四因子动态品种策略依然能取得10%以上的年化收益，夏普比率1.48，Calmar比率达1.53。结合分年度表现来看，动态品种策略在大部分年份优于全品种策略，从相对强弱线来看，近两年的优势依然更明显。

5.3
策略对比
对比不同样本品种策略在单因子和多因子模型中的表现，我们发现：

多因子策略相比于单因子策略回撤更低，扣费后策略优势更明显；
动态品种策略相比于全品种策略表现显著提升，动态品种策略对单因子策略的提升更明显，主要原因可能是多因子中各因子最优的动态品种窗口期不一致，统一地设定一个参数组可能削弱效果。
2010年以来，动态品种策略共滚动剔除466次样本品种。我们统计了每次剔除的样本品种，并汇总了各样本品种被剔除的次数，发现单因子模型和四因子模型中各品种被剔除的概率很接近，相关系数达0.94，且剔除次数最多的前六大品种均为聚乙烯、豆油、PTA、螺纹钢、黄金和白银。

5.4
权重配置敏感性检验
最后，我们对四因子模型中各品种权重配置作敏感性检验。对比等权和不同窗口期ATR倒数加权方式下扣费后策略的表现。从回测结果来看，不同加权方式对年化收益的影响相对较大，较短窗口的ATR倒数加权配置方式下策略表现较弱，480日ATR倒数加权法下策略表现相对较好。但整体而言，所检验的几种权重配置法对策略结果影响不大，即策略对权重配置的敏感性较低。因此，在持仓多因子模型中，等权作为一种“无为而治”的配置方式可能是较优的选择。

结论与展望

本文基于国内三大商品期货交易所每日公布的会员持仓龙虎榜，利用单一品种所有活跃合约的前20大持仓数据重构持仓主力会员作为关键少数信息交易者，在考虑持仓集中度的情况下，构建了多空相对强弱异常度因子和多个单边持仓因子，在全品种和动态品种法下对比持仓单因子和多因子横截面策略的表现。主要结论有：

2010年1月4日-2018年3月27日大商所的14个期货品种持仓分布近似符合“二八定律”，大部分品种头部20%的会员占有约70%-80%的仓位；所有42个样本品种2010年以来前20大会员的平均持仓占比，除鸡蛋和苹果外，均高于50%，平均占比达61%。
在不同观察窗口下，结合持仓分布的加权多空相对强弱异常度因子表现均优于简单等权多空相对强弱异常度因子。不同异常度因子均在5日观察窗口下表现最佳，且随着观察期的拉长收益出现不断衰减的特征。
在动态品种法下，我们滚动剔除因子历史有效性较弱的品种。当观察期为80-160日、品种使用期为5日时策略表现更佳，扣费后平均年化收益8.4%，夏普比率1.30，Calmar比率0.83，相对于全品种策略有明显改进。
从多个单边持仓因子回测结果来看：基于因子原始值的策略表现较差，但换手率低；大部分因子引入异常度变形后收益显著改善，但换手率也明显提高；空头主力加权持仓异常度和多头主力持仓占比标准差异常度表现最佳，且在不同异常度计算方式下差异不大。
综合单因子策略收益、风险、换手率及策略间相关性等维度考虑，我们将加权多空相对强弱异常度、空头主力加权持仓异常度、多头主力持仓占比标准差异常度和空头占比标准差四个因子复合后构建持仓多因子策略，扣费后的四因子动态品种策略依然能取得10%以上的年化收益，夏普比率1.48，Calmar比率达1.53。
多因子策略相比于单因子策略回撤更低，扣费后策略优势更明显；动态品种策略相比于全品种策略表现显著提升，动态品种策略对单因子策略的提升更明显；从分年度表现来看，动态品种策略在大部分年份优于全品种策略，且近两年的优势更明显。
等权和ATR倒数加权配置法对持仓多因子策略结果影响不大，策略对权重配置的敏感性较低。

风险提示
模型基于历史数据，存在失效风险；持仓信息公布规则突变。

相关报告
《商品期货CTA专题报告（八）基于期限结构稳定性判断的展期收益策略详解2019-05-17》《商品期货CTA专题报告（七）预期外宏观因子对商品期货价格的冲击影响研究2019-01-27》

《商品期货CTA专题报告（六）基本面分析框架下的黑色系商品库存预测2018-02-09》
《商品期货CTA专题报告（五）我国商品期货分类及异质性基本面分析概述2018-01-31》

天风金工专题报告一览

多因子选股系列报告
向下滑动查看往期链接↓
《和时间赛跑——利用实时财务信息增强组合收益》2019-05-24
《A股公司治理类因子解析》2019-03-27
《利用交易型alpha捕获低频模型短期收益》2019-03-18
《短周期视角下的指数增强策略》2019-02-11
《股息率因子全解析》2018-12-7
《行业景气度量化前瞻系列之三：乘用车篇》 2018-11-09《基于机构风格追随的业绩增强策略》2018-10-11《基于预期业绩季度化分解的超预期30组合》2018-09-07《基本面视角下的食品饮料行业选股研究》2018-08-03《行业景气度量化前瞻系列之二：家电篇》2018-07-24《基本面量化视角下的医药行业选股研究》2018-06-15《金融工程：一类强有效的一致预期衍生指标》2018-04-10《多因子模型的业绩归因评价体系》2018-04-10《风险预算与组合优化》2018-03-05《哪些行业应该单独选股？》2018-02-05《协方差矩阵的估计和评价方法》2017-11-17《因子正交全攻略——理论、框架与实践》2017-10-30《基于动态风险控制的组合优化模型》2017-09-21《金融工程：基于半衰主成分风险平价模型的全球资产配置策略研究》 2017-09-18《剩余价值模型下的估值因子在A股中的实证》 2017-09-08《MHKQ因子择时模型在A股中的应用》 2017-8-15《专题报告二十三-自适应收益预测模型下的组合优化策略》 2017-08-24《专题报告二十一-买卖压力失衡——利用高频数据拓展盘口数据》 2017-08-01《专题报告十九-半衰IC加权在多因子选股中的应用》 2017-07-22

FOF系列报告
向下滑动查看往期链接↓
《创新基金研究系列之二：海外养老目标产品手册》2019-01-15
《基金最新监测仓位创近两年新低!》2019-1-7
《基金研究：中国式目标日期基金设计攻略》2018-06-19

《基金研究：海外创新基金研究系列之综述：美国基金市场图鉴》2018-04-27
《基金研究：债券基金评价如何“本土化”？》2018-03-22
《金融工程：基于风格因子视角的FOF投资策略研究》 2017-09-18《金融工程：FOF专题研究（四）：景顺长城沪深300增强指数型基金》 2017-08-07
《金融工程：FOF 专题研究（三）：华泰柏瑞量化A偏股混合型基金》 2017-07-24《金融工程：FOF专题研究（二）：国泰估值优势偏股混合型基金》 2017-07-17
《金融工程：FOF专题研究（一）：银华中小盘精选偏股混合型基金》 2017-07-06
资产配置系列报告

向下滑动查看往期链接↓
《“货币+信用”体系下大类资产的择时优化与动态配置》2018-11-22
《如何抑制宏观信息“过拟合”？——宏观数据的去噪、降维及应用》2019-03-11
《资产轮动策略研究（二）：构建大类资产的“货币+信用”轮盘》2018-08-30

《资产轮动策略研究（一）：不一样的宏观动量视角》2018-06-05
《金融工程：基于风格因子溢价的资产配置视角》2017-12-5
《金融工程：引入衰减加权和趋势跟踪的主成分风险平价模型研究》2017-11-17

风格与行业轮动系列报告

向下滑动查看往期链接↓

《使用ETF构建板块轮动策略的初步探索》2019-8-8
《天风金工行业轮动系列报告之三——板块重构下的行业分层轮动》2019-4-26
《天风金工行业轮动系列报告之二——行业分层轮动模型》2018-12-27
《基于现金流与折现率的板块轮动策略》2018-10-18《现金流与折现率视角下的风格溢价轮动模型》2018-07-02《如何筛选行业轮动能力强的基金》2018-05-08《风格轮动之资金流向与流动强度》2018-04-19
《天风金工风格轮动策略之一——风格的重新定义》2018-02-05

事件驱动选股系列报告
向下滑动查看往期链接↓
《金融工程：季节性盈利异象带来的意外收益》 2018-01-22
《金融工程：对比效应对超预期事件的增强策略》2017-12-12
《金融工程：胜率超40%的重组预测模型》2017-11-28
《金融工程：专题报告-私募EB正股的投资机会》 2017-07-11
《金融工程：专题报告-戴维斯双击》 2017-06-12
《金融工程：专题报告-反转现象的选择性交易策略》 2017-06-01《金融工程：专题报告-基于高管增持事件的投资策略》 2017-05-14

《金融工程：专题报告-2017年6月沪深重点指数样本股调整预测》 2017-05-06
《金融工程：专题报告-预知业绩能有多少超额收益？》 2017-04-16《金融工程：专题报告-基于自适应破发回复的定增选股策略》 2017-03-09
《金融工程：专题报告-潜伏ST摘帽》 2017-03-06
《金融工程：专题报告-定增节点收益全解析》 2017-03-06

CTA系列报告
向下滑动查看往期链接↓
《基于期限结构稳定性判断的展期收益策略详解》2019-05-17《预期外宏观因子对商品期货价格的冲击影响研究》2019-01-27《金融工程：行业景气度量化前瞻系列之一：从消费行业开始（上）》2018-05-12《金融工程：基本面分析框架下的黑色系商品库存预测》2018-02-09《金融工程：我国商品期货分类及异质性基本面分析概述》 2018-1-31《金融工程：信用利差的选择性对冲—国债期货套保实证》2017-10-24《金融工程：国债期货套期保值实证》 2017-09-04《金融工程：专题报告-国债期货组合趋势策略：以损定量,顺势加仓》 2017-06-19《金融工程：专题报告-国债期货展期价差交易》 2017-05-25《金融工程：专题报告-策略的趋势过滤》 2017-03-22《金融工程：专题报告-日间趋势策略初探》 2017-03-10《金融工程：专题报告-量化CTA策略概述》 2017-02-14

其他
向下滑动查看往期链接↓
《金融工程：基于时变相关系数的动态对冲策略——动态对冲表现跟踪》2017-10-27
《金融工程：中期策略会纪要1：天风金工“四位一体”仓位管理体系》2017-06-27

风险提示：模型基于历史数据，存在失效风险；持仓信息公布规则突变
注：文中报告节选自天风证券研究所已公开发布研究报告，具体报告内容及相关风险提示等详见完整版报告。
证券研究报告
《天风证券-金工专题报告-商品期货CTA专题报告（九）：持仓龙虎榜中蕴藏的投资机会》
对外发布时间
2019年8月22日
报告发布机构
天风证券股份有限公司
（已获中国证监会许可的证券投资咨询业务资格）
本报告分析师
吴先兴 SAC 执业证书编号：S1110516120001