CPV期货版1.0表现及问题回顾 [page::3]

• 策略于样本内表现良好，样本外年化收益率和收益波动比明显下降

- 净值曲线在2020年7月1日后出现拐点，策略信号存在动量转反转现象

持仓量修正与PV信号构建逻辑 [page::4][page::5][page::6]

• 2015年9月新规导致T+0交易者持仓量形态由“山峰”变为“山谷”

- 持仓量通过加权分配方法修正，重新计算PV值以更准确反映投资者多空情绪

• 交割周期与长假间隔对信号有效性有较大影响，需剔除异常交易日

PV信号与交易执行关系揭示动量与反转效应 [page::8][page::9]

• 今PV今交易“时光机”策略年化收益率达54.7%，反映价量相关性对于当天情绪辨别有效

- 2020年7月1日前后，信号由动量（持续）转为反转（非持续），对应机构与散户占比变化

DOV指标构建及投资者结构区分 [page::10][page::11][page::12]

• DOV = ΔOI/Volume，用于区分机构(高DOV)与散户(低DOV)交易行为

- 样本外DOV均值高于样本内，表明机构占比提升，与信号转反转一致

• DOV与翌日PV信号收益呈负相关，需针对DOV条件对信号进行反转调整

CPV1.0信号反转策略及参数分析 [page::12][page::13][page::15][page::16]

• DOVmean高于85%分位且高于近5日均值时，PV信号需要反转，提高策略收益和胜率

- DOVstd高于80%分位且高于近5日均值时，标志投资结构不稳定，同样需反转

• 两策略参数敏感性分析确定最佳窗口和分位数组合

| 参数组合 | 年化收益率(%) | 胜率(%) |
|-----------|--------------|---------|
| DOVmean 30天，85%分位 | 17.72 | 53.48 |
| DOVstd 50天，80%分位 | 21.52 | 53.77 |

CPV3.0测谎机策略及全周期表现 [page::16][page::17][page::18][page::19][page::20]

• 结合DOVmean和DOVstd反转规则，形成CPV3.0信号

- 全周期年化收益率达29.20%，收益波动比1.58，最大回撤降至24.10%

• 交割周通过剔除交割当日及交割周非信号一致日处理优化信号准确性

未来潜在改进方向及风险提示 [page::21][page::22]

• 进一步区分T+0和T+1投资者力量，可细化PV因子有效性

- 本报告基于历史数据，未来市场变化存在风险，策略需动态调整

深度分析报告：“高频价量相关性拥抱 CTA”系列研究（四）——CPV 因子期货版 3.0——CPV 测谎机

---

一、元数据与报告概览

本报告标题为“高频价量相关性拥抱 CTA”系列研究（四）：CPV 因子期货版 3.0——CPV 测谎机，作者为证券分析师高子剑，发布机构为东吴证券研究所，发布日期为2024年9月2日，主题围绕期货市场的技术分析方法与CTA策略构建，尤其着眼于价量相关性指标（PV值）及投资者结构对策略表现的影响。

报告核心论点在于基于“CPV 期货版1.0”的框架，加入投资者类型判断指标DOV以提升PV信号的择时有效性，实现对原有价量相关性策略的优化。结合动量与反转效应的演变，区分机构与散户行为，推出了“CPV 期货版3.0——测谎机”策略，显著提升收益率（由11.15%提升至29.20%）、收益波动比（由0.55提升至1.58）及日频胜率（由53.18%提升至55.09%），展现策略强劲的性能提升。报告同时提醒，所有统计基于历史数据并存在未来市场可能发生变化的风险[page::0]。

---

二、逐章节详尽解读

1. CPV 期货版1.0表现回顾

• 核心信息: 价量相关性信号（PV值）最初于2020年4月15日发布，基于沪深300期货数据构建。净值前3个月快速增长，7月1日达到顶峰后进入下降期，表现出样本外的策略失效问题。
• 逻辑推理: 期货市场中持仓量比成交量更能体现多空力量，PV值为价格与持仓量日内相关系数，试图反映投资者情绪。但2020年7月以后策略表现下滑，表明信号对次日行情的预测能力发生变化。
• 关键数据:

- 样本内至2020年4月15日：净值上涨。
- 样本全周期（包括样本外）年化收益17.79%，收益波动19.34%，收益波动比0.92，胜率52.68%。
- 回撤达到38.94%[page::3]。

• 结论: PV信号具有一定市场表现但在样本外表现不佳，指向信号有效性随市场环境变化而变。

---

2. PV值的合理性剖析和持仓量修正

2.1 持仓量“山谷”形态与T+0交易者行为改变

• 关键信息: 持仓量的日内变化原为“山峰”形态，后受2015年9月平今仓手续费大幅上升影响，T+0交易者在九月以后倾向于期末调整持仓，使持仓量表现出“山谷”形态。
• 逻辑说明:

- 之前T+0交易者买卖使持仓量逐步累积（进场）和逐步减少（出场）。
- 新规后，T+0交易者在收盘时同时留多单和空单，持仓量的日内变化反向，山峰变山谷。

• 数据示例: 表2和表3展示T+0交易者多空路径模拟，证实上述逻辑。
• 结论: 日内持仓量变化被T+0行为扭曲，需修正持仓量数据以真实反映投资者情绪[page::4-5]。

2.2 持仓量修正方法

• 步骤说明:

1) 计算分钟层面持仓量变化与成交量。
2) 按成交量权重分配持仓变化到下日投资者（T+1）。
3) 对分钟持仓变化作调整以还原T+0投资者的真实变化（乘-1）。
4) 整合T+0和T+1的持仓量得到修正后的持仓量。

• PV值重计算: 以修正持仓量计算价格与持仓的相关系数，即修正后的PV。
• 实证: 表4具体说明修正过程计算数据。
• 结论: 通过持仓量修正，恢复持仓峰态，增强PV指标的真实反映能力[page::5-6]。

2.3 交割周期和2.4 长假影响

• 交割周期应对策略:

- 因近月合约减仓与远月合约增仓产生PV信号失真，交割当日信号剔除。
- 交割日前四个交易日内，仅当月与次月合约信号相同时交易。

• 长假影响:

- 两交易日间隔大于3天时，信号效果显著下降。
- 对此情况，剔除相关信号避免负面影响。

• 数据支持: 表5和表6展示交割周期及长假的回测表现，验证策略调整的有效性[page::6-8]。

2.5 PV值与价量配合逻辑

• 四象限分析:

- 价升+量升、多头进场，价值相关系数为正。
- 价升+量减、多头离场，相关性负。
- 价跌+量升、空头进场，相关性负。
- 价跌+量减、空头离场，相关性正。

• 结论: PV值正负体现价量配合的多空情绪，正相关提示多头强势，负相关提示空头强势[page::7-8]。

---

3. PV值与交易执行日期的关系

• 假设“时光机”交易: 若能用当天PV情绪指导当天交易，表现优异（年化收益54.70%，收益波动比3.05，胜率58.14%）。
• 现实中的延期交易: 采用次日交易（今PV明交易），年化收益率急降至11.15%，收益波动比0.55。
• 时间序列对比: 2020年7月1日前PV今日情绪延续至明日表现“动量”，7月1日以后呈“反转”特性，蓝线（今PV今交易）与红线（今PV明交易）净值走势反向。
• 逻辑解释: 市场参与者结构变化，7月1日前散户较多，投资情绪延续；7月1日后机构增强，信息更快消化，情绪不再延续，市场有效性提升。
• 结论: 投资者结构变化是PV信号表现差异的关键，策略需要动态区分机构与散户效应[page::8-9]。

---

4. 投资者类型区分：DOV指标

4.1 DOV定义及含义

• DOV=当日持仓变化$\Delta\mathrm{OI}$与当天成交量的比值，范围[0,1]。

- DOV接近1，意味着成交量中大多数导致持仓变化，反映机构投资者主导的交易行为（方向明确，持仓稳定）。

• DOV接近0，反映散户投资者交易频繁换手，多变且持仓变动有限。

4.2 日频DOV分布

• 样本外期货DOV均值显著高于样本内（0.0652 > 0.0459），暗示样本外机构投资者占比更大。
• 图5揭示日频DOV的时间序列分布及均值差异。

4.3 分钟频DOV分布

• 计算每分钟DOV序列平均（DOVmean），样本外均值0.275略高于样本内0.265，进一步印证样本外机构占比增加情形。
• 图6展示分钟频均值变化趋势。

4.4 DOV与PV信号有效性关系

• 发现DOVmean与DOVstd均与下日通过PV信号调整后的收益呈负相关（分别为-0.024和-0.059），表明DOV指标越大，PV信号越可能失效，需要“反转”信号。
• DOVstd反映当日投资者结构波动性，越大表明结构越不稳定，PV信号越难持续。
• 表9总结相关统计数据。
• 结论：DOV可视为PV信号的“测谎机”，指导何时反转信号，提升策略有效性[page::10-12]。

---

5. CPV期货版3.0：基于DOV的信号反转策略

5.1 DOVmean反转策略

• 当日DOVmean超过过去30天85%分位，且高于近5日均值，表明机构占比高，应反转PV信号。
• 图7展示反转效果明显优于原CPV1.0。
• 参数敏感性测试（图8、9）显示30天窗口与85%分位为最优。

5.2 DOVstd反转策略

• 类似逻辑，DOVstd超过过去50天80%分位且高于近5日均值，表明投资者结构极度不稳定，需反转PV信号。
• 图10显示该策略近期表现尤其优越。
• 参数优化（图11、12）选择50天窗口与80%分位。

5.3 两策略组合：CPV3.0 测谎机

• 结合DOVmean与DOVstd两者反转信号形成四象限，若任一指标反转，均反转PV信号。
• 表11显示多数日（近73%）无反转，PV信号有效，反转情况对应负收益。
• 图13对比净值曲线显示CPV3.0显著优于纯CPV1.0。
• 表12总结绩效指标，年化收益提升至26.07%，收益波动比提升至1.30，最大回撤大幅减少。

5.4 日度反转策略

• 利用日频DOV标准差变化（DOVdStd20与DOVdStd50）制定反转判定条件。
• 图14、表13展示该策略虽表现优于CPV1.0，但整体不及基于分钟数据的CPV3.0。

5.5 交割周数据处理

• 交易交割周内，DOV指标因合约换月受扰动表现异常（图15、16）。
• 延续CPV1.0剔除交割当日信号，并仅在当月次月信号同向时交易。
• 图17和表14展示全周期CPV3.0策略综合表现，年化收益29.20%，收益波动比达1.58，胜率55.09%。
• 结论：严谨处理交割周异常信号，稳定策略表现[page::13-20]。

---

6. 附录与潜在改进方向

• 明确区分$\mathrm{T}+0$和$\mathrm{T}+1$持仓量与价格的相关性，细化量价相关分析。
• 通过分析日内$\Delta \mathrm{OI(T0)}$累计曲线最大值衡量$\mathrm{T}+0$交易者强弱，结合$\mathrm{T}+1$力量比例进一步优化策略信号。
• 图18展示实例数据，呼吁未来研究深入挖掘投资者结构强度的揭示能力[page::21]。

---

7. 风险提示

• 所有结论依赖历史数据回测，未来市场环境可能出现重大变化导致策略失效。
• 强调投资须谨慎，提示风险存在性[page::22]。

---

三、图表深度解析

• 图1 (净值曲线对比): 展示CPV1.0策略自2017年至2022年净值走势，4月15日后净值增长阶段明显，7月1日后拐点明显，呈现涨跌结构，直观反映策略样本内与样本外表现差异。
• 图2(持仓量“山谷”形态): 价格与持仓量走势展示持仓量波谷，非典型峰态，揭示T+0交易习惯因手续费规改变反向波动。
• 表2、表3: 分别模拟T+0交易者做多及做空路径，帮助理解持仓量变化结构。
• 图3 (时光机净值曲线): 显示假设交易即用当日情绪交易的理想表现，极高收益率喜欢验证价量情绪指标的潜力。
• 图4 (今PV今交易与今PV明交易净值对比): 清晰显示2020年7月1日前后动量与反转效应切换，蓝红曲线走势反向印证市场情绪延续性的变化。
• 图5、6(样本内外DOV分布): 体现机构投资者比重提升趋势，下行结构对策略信号的影响。
• 表9 (DOV与次日收益的相关性): 为关键统计指标，指示DOV对信号有效性的测谎功能。
• 图7、10 (Mean及Std 反转净值曲线): 量化反转策略对提升收益的贡献。
• 图13 (CPV3.0净值对比): 充分证明DOV辅助测谎机制的优势。
• 图15、16 (交割周前后DOVmean分布): 证实交割周数据异常，剔除合理。
• 图17 (CPV3.0全周期净值): 表明整体策略稳健且表现优异。
• 图18 (T+0持仓量变化): 展示投资者力量强度的具体度量工具。

各图表佐证了报告分析与策略构建的科学严谨性，且充分结合实证数据验证假设和方法。

---

四、估值分析

本报告属于量化策略研究，不涉及传统财务报表估值，但对策略绩效回测结果的统计中隐含风险调整收益指标，即：

• 年化收益率

- 年化波动率

• 收益波动比（Sharpe类似指标）

- 最大回撤

• 胜率（交易成功率）

策略迭代通过调整DOV阈值分位数与回看窗口，进行参数敏感性分析以防过拟合。且针对特定市场行为（交割期、连休）进行策略信号规避，体现文本中对策略有效性的严谨测试。

---

五、风险因素评估

• 与所有基于历史数据的量化策略相同，未来市场结构变化可能导致策略表现失真甚至失效。
• T+0交易行为、制度变革（如手续费调整）及投资者类型比例变化均为影响策略表现的重要因素。
• 交割周持仓和成交量异常导致信号失真，需严格剔除相关信号。
• 长假期间信号预测能力下降，过滤相关交易日信号降低错误操作。
• 报告未提供具体风险缓解措施，但通过数据处理和信号反转技术已对部分风险作出应对。

---

六、批判性视角与细微差别分析

• 报告充分利用历史数据及投资者行为理论构建DOV指标及测谎机制，但测谎机依赖多个统计阈值参数，存在参数选择偏误及过拟合的风险。
• PV信号本质为高频价量相关统计量，在强市场有效性环境中趋向失效，DOV反转机制本质上是对市场结构改变的补偿，操作时需警惕制度变革与极端市场条件产生的非稳态风险。
• 交割周及长假信号剔除策略适当，但剔除信号会降低交易频率，对策略稳定性与资金利用率间存在权衡。
• 报告隐含假设投资者分类（机构与散户）单位行为模式明确并稳定，实际中投资者行为多样化且动态变化，DOV指标或难完全捕捉复杂交易行为。
• 信号反转策略并未结合宏观经济或基本面信息，纯技术统计信号的外推适用性仍需谨慎。

---

七、结论综合

本研究在《CPV 期货版1.0》基础上，对持仓量数据进行针对T+0影响的修正，重新计算价量相关系数PV值，揭示价格与持仓量相关性反映的市场多空情绪。面对2020年7月1日后动量效应向反转效应的转变，由报告构建DOV指标，依据持仓量变化和成交量间的比例判断投资者结构，成功区分机构与散户投资者占比。

该指标揭示投资者结构波动对PV信号有效性的影响，DOVmean和DOV_std均用于判断信号是否应反转，有效提升了策略在样本外的表现。CPV 期货版3.0综合两个反转条件构成的“测谎机”显著增强策略订单成功率和收益率，最大回撤显著降低。

对交割周期和长假期的信号处理保证数据稳健性，细化分钟和日频两层DOV指标使策略更精准。附录中提出未来基于T+0与T+1交易者相对力量的进一步精细化潜在改进方向。

关键图表如图1、4、5、7、13、15、17等直观印证策略迭代提升的演变脉络与绩效增进效果，统计表格展示参数优化与绩效指标提升，数据来源Wind资讯与东吴证券研究所保障数据的专业与完整性。

最终，报告表明通过引入DOV测谎机制，价量相关性CTA策略获得了由量变至质变的提升，成为期货市场多空情绪捕捉与交易信号判别的有效工具。策略年度收益由11.15%提升至29.20%，收益波动比由0.55提升至1.58，胜率提升至55.09%，最大回撤约减半，体现极强的风险调控能力和交易信号准确度[page::0,3,4,9,10,12,17,20].

---

全文总结

• 报告基于价量相关系数（PV值）科学刻画期货市场多空情绪，面对样本外失效采用持仓量修正应对T+0交易影响。

- 深入分析市场投资者类型，构建DOV指标以揭示机构与散户占比及行为稳定性。

• 基于DOV指标设计信号反转策略，构建“测谎机”提升PV信号的择时效力。

- 经过交割周期与长假信号剔除等稳健处理，CPV 期货版3.0取得长周期显著的绩效提升。

• 细致参数敏感性分析保障策略适用性，丰富了期货CTA策略构建思路。

- 报告警示历史数据驱动模型风险，强调投资须谨慎。

此份研究报告为期货量化交易领域内结合技术指标与投资者行为深入融合的典范，具备较强的参考价值和实践指导意义。

---

（全文基于报告原文内容撰写，引用页码已标注，数据和图片均来自Wind资讯及东吴证券研究所提供材料。）

报告