20211213-华宝证券-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_16页_1mb

报告摘要

基于谱聚类的CTA私募基金分类方法研究总结

核心内容

本文探讨了基于谱聚类方法对CTA私募基金进行分类的可行性与有效性，旨在为CTA策略的资产配置和产品遴选提供更科学、合理的分类依据。由于CTA私募基金信息披露有限，缺乏统一分类标准，第三方数据商的分类参考价值有限，因此本文尝试通过数据挖掘方法，构建一个基于收益率相关性的分类模型。

主要观点

CTA私募基金的配置意义
CTA基金主要交易金融期货和商品期货，具有多空双向交易的特性，能够在多种市场环境下获取收益。其与传统资产相关性低，具备危机中的alpha属性，有助于优化投资组合的收益风险比。
谱聚类方法的适用性
谱聚类是一种基于图论的聚类算法，通过构建资产之间的相关性矩阵，可以将CTA基金划分为收益率内部强相关、相互弱相关的子类，为风险分散提供支持。
数据处理与清洗
选取4491个CTA私募基金从2016年1月1日至2021年11月5日的净值数据，采用周度收益率进行计算。为处理不规则披露问题，通过计算固定时点的平均净值，构造可比的收益率数据。
模型构建与评估
通过构建邻接矩阵、度矩阵和拉普拉斯矩阵，计算最小特征值对应的特征向量，进行K-means聚类。采用轮廓系数和截面虚拟变量回归评估聚类效果，发现谱聚类分类在解释力和收益表现上优于第三方分类。
模型效果分析
通过不同参数组合（$q = 3,4,5$，$p = 8,10,12$）的回测，发现分类数量增加对聚类效果提升显著，而相关系数矩阵时长对效果影响不大。最优模型为$q = 5, p = 12$，其合成净值在收益率上优于第三方分类，但波动率和最大回撤表现较弱。
合成净值策略
采用等权法和波动率倒数加权法对不同子类进行合成，其中波动率倒数加权法在夏普比率上表现更优。谱聚类合成净值在2020年下半年开始显著优于第三方分类，表明其具备一定的样本外预测能力。

关键信息

数据来源与处理

数据范围：4491个CTA私募基金，时间跨度为2016年1月1日至2021年11月5日。
数据清洗方法：以48周为训练集，12周为测试集，滚动计算，填充缺失值，构造标准净值和收益率。

谱聚类方法

算法流程：
1. 构建邻接矩阵和度矩阵。
2. 计算标准化拉普拉斯矩阵。
3. 提取最小特征值对应的特征向量。
4. 进行K-means聚类。
评估方式：
- 轮廓系数：衡量聚类性能，取值越接近1表示聚类效果越好。
- 截面虚拟变量回归：通过adj R²评估分类对收益率的解释能力。

模型回测结果

最优模型：$q = 5, p = 12$，其在多个统计指标上表现优于第三方分类。
回测效果比较（表1）：
- 训练集-adjR²：0.0828
- 测试集-adjR²：0.0465
- 第三方分类测试集-adjR²：0.0123
绩效统计（表4）：
- 谱聚类-等权：累计收益率95.53%，年化收益率14.82%，夏普比率2.71
- 谱聚类-波动率倒数加权：累计收益率93.89%，年化收益率14.62%，夏普比率3.03
- 三方分类-等权：累计收益率83.16%，年化收益率13.29%，夏普比率2.84
- 三方分类-波动率倒数加权：累计收益率81.95%，年化收益率13.13%，夏普比率3.52