量化专题报告：基于走势形态预测的股指期货T0策略

本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明 证券研究报告 1 量化专题报告 基于走势形态预测的股指期货 T0 策略 2025 年 10 月 13 日 ➢ T0 策略由于其风险暴露低、收益回撤比高等优势受到了越来越多的关注。股票 T0 策略收益与标的日内振幅正相关，年化收益率 5%-20%，同时回撤在 1%左右水平可控性强，在当下银行理财收益率走低环境下作为另类绝对收益策略受到越来越多关注，能在多资产多策略配置中带来显著增益。 ➢ 股指期货为 T0 策略提供了高流动、低成本、杠杆化的更有利载体。股指期货本身为 T+0 机制无需借券或底仓，有效规避了 Beta 暴露；主力合约（IF/IC/IM）日均成交额达百亿级，流动性显著优于个股；并且股指期货交易成本低于股票，且保证金制度提供免费杠杆，是 T0 策略的理想品种。同时对比商品期货，股指期货受成分股交易者影响，盘口稳定性更高，且受到滑点影响也更小。 ➢ 从股指期货 T0 策略的范式来说，结合深度学习预测的中低频动量/反转策略是可行解。T0 策略和传统交易策略的区别在于决策空间是逐步收窄的，任何未及时平仓的亏损头寸都将成为实际亏损，因此需要严格交易系统。除此之外，股指期货 T0 策略的内核是预测未来短期价格方向。高频角度可以采用基于订单簿的微观结构策略，中低频角度可以考虑动量/反转与统计套利策略。随着人工智能技术的发展，机器学习与深度学习在构建上述预测模型中已体现较强优势。 ➢ 我们采用 K-Shape 算法对股指日内走势形态进行分类：趋势上涨、趋势下跌、震荡。为了针对不同的指数日内路径实施对应的交易策略，首先必须解决日内走势形态的分类问题，我们需要采用能够克服平移、缩放、周期不变性的时间序列聚类算法。DTW+K-Means 以及 K-Shape 就是两类满足类似条件的算法，其中后者效果更好且算法复杂度更低。因此我们采用预定义簇中心的 K-Shape算法对股指日内 1min 时序进行三分类聚类，其在样本内外具有较强稳定性。 ➢ 日内走势类型的预测可采用混合神经网络利用日频截面数据与高频时序数据进行。日内走势或与隔夜跳空、开盘 10min 走势、过去几日日内和日频特征有关系，我们可以将这些截面特征用全连接层连接并激活从而用于挖掘更丰富的特征，同时高频的 1min 数据也可能有一定预测能力，因此我们可以用 GRU 层处理此类数据，最终我们将两者拼接后输入 MLP，最终采用 Softmax 函数输出分类结果。在上证 50、沪深 300、中证 500、中证 1000 上滚动 5 年每季度训练，模型能够将预测胜率由随机的 33%左右提升至 40%左右。 ➢ 走势类型预测的胜率仍不足以直接做出买卖决策，因此我们引入日内 ATR突破策略为基线策略。日内 ATR 突破策略是经典的趋势策略，其利用波动率聚集效应，以近期波动幅度设置开仓、止盈、止损阈值，从而更好的贴合日内收益的分步特征，保持赔率上的微弱优势，从而长期获取稳健收益。但其仅适合趋势市场，不适合震荡市场。结合日内走势类型的预测，通过样本内三类走势标签下的最优寻参，我们可以设计最佳策略参数调用规则，从而增强日内 CTA 基策略的表现。在四个主力合约等权设置下样本外 2023 年 1 月-2025 年 6 月可获得费后年化 11.19%的收益和 3.62%的最大回撤，如果仅在 IM 主力合约上实施，年化收益可增加至 30%以上，具备较强的潜力。 ➢ 风险提示：量化模型表现依赖于市场环境，如若市场环境发生变化不保证策略效果。 [Table_Author] 分析师 叶尔乐 执业证书： S0100522110002 邮箱： yeerle@glms.com.cn 相关研究 1.资产配置月报 202510：十月配置视点：2025 年主题行情复盘与展望-2025/10/08 2.量化大势研判 202510：10 月继续看好预期成长风格-2025/10/07 3.量化分析报告：2025 年 9 月社融预测：38552 亿元-2025/10/02 4.量化周报：需求主导的高位再吸筹-2025/09/28 5.量化周报：市场仍处高位高换手状态-2025/09/21 量化专题报告 本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明 证券研究报告 2 目录 1 股指期货 T0 策略特征解析 ....................................................................................................................................... 3 1.1 从股票到股指的 T0 策略 .................................................................................................................................................................. 3 1.2 股指期货 T0 策略范式探讨 .............................................................................................................................................................. 6 2 基于日内走势模式预测的 T0 框架 ............................................................................................................................ 9 2.1 时间序列聚类算法梳理 ..................................................................................................................................................................... 9 2.2 K-Shape 算法在股指现货的聚类表现 .......................................................................................................................................... 13 2.3 基于深度学习的走势形态标签预测 .........................................................................................................................................