第 11 章 · 02 股指期货日内策略

第 11 章 · 02 股指期货日内策略

本节摘要:本节讲股指期货的日内交易策略,这是华泰另类交易策略系列的核心战场。日内策略与上一节的趋势跟踪不同——它在一个交易日内完成建仓与平仓,不留隔夜风险,因此更看重日内价格形态、突破时点、形态识别。华泰系列系统研究了四大类日内策略:突破类(系列 4 日内波动极值、系列 11 区间突破、系列 18 厚尾分布区间突破)在价格突破关键水平时进场;形态识别类(系列 16 WPRM 波段形态识别模型)用历史形态匹配预测未来走势;分形类(系列 8 SMT 时域分形相似性匹配、系列 7 MFT 标度不变性破缺)用分形与标度理论挖掘自相似模式;深度学习类(系列 17 深度学习股指期货日内)用神经网络自动学习日内模式。这些方法的演进反映了从「人工设计规则」到「数据驱动自动发现」的趋势,与第 4~6 章选股领域的 ML/深度学习演进一致。本节讲清这四大类的原理、适用场景,以及日内策略共通的命门——交易成本与滑点。

内容来源:仓库研报 另类交易策略系列第 4 篇(日内波动极值)、第 7 篇(MFT)、第 8 篇(SMT 分形相似性)、第 11 篇(区间突破与资金管理)、第 16 篇(WPRM 形态识别)、第 17 篇(深度学习日内)、第 18 篇(厚尾分布区间突破),知识结构化整理。

⚠️ 学习提示:日内策略的回测特别容易「看上去很美」——因为忽略了交易成本、滑点、冲击成本。一个回测夏普 3 的日内策略,扣掉真实成本后可能变负。评估日内策略必须用「扣费后回测」,并对滑点做敏感性分析。

学习目标

阅读完本节,你应当能够:

1. 区分日内策略的四大类(突破/形态/分形/深度学习)。
2. 解释日内波动极值突破与区间突破的逻辑。
3. 说清 WPRM 波段形态识别的「历史匹配」思路。
4. 理解分形相似性(SMT/MFT)如何挖掘自相似模式。
5. 认识交易成本与滑点对日内策略的致命影响。

一、为什么做日内策略

日内策略指在一个交易日内完成买卖、不留隔夜仓的策略。它有几个优势:

• 无隔夜风险:不在场内过夜,规避隔夜跳空(外盘大跌、政策冲击)。
• 资金效率高:日内多次交易,资金周转快。
• 机会多:每天都能交易,信号密度高。

但代价是:

• 交易成本高:交易频繁,手续费与滑点累积。
• 容量有限:日内流动性有限,大资金难以施展。
• 对基础设施要求高:需低延迟、稳定的数据与下单系统。

股指期货(A 股的 IF/IH/IC)因 T+0、有杠杆、流动性好,是日内策略的理想标的。华泰另类系列正是针对股指期货日内策略的系统研究。

二、突破类策略:日内波动极值与区间突破

突破类(breakout)是日内策略最经典的形态。华泰系列 4(基于日内波动极值的股指期货趋势跟随系统)给出基本框架:

• 日内波动极值:用开盘后一段时间的最高/最低价作为「极值」,价格突破极值时进场。
• 逻辑:开盘后市场确立方向,突破早盘极值往往是趋势启动信号。

典型规则:

开盘后 N 分钟(如 30 分钟)观察区间 [H, L]:
    - 价格向上突破 H → 做多
    - 价格向下突破 L → 做空
    - 收盘前强制平仓(不留隔夜)
​

系列 11(日内突破模式及其资金管理的多重比较研究)在此基础上加了区间突破(range breakout)与资金管理:

• 区间突破:用前一交易日的区间或早盘区间作为参考。
• 资金管理:结合凯利公式、波动率调整控制下注,避免连亏爆仓。
• 多重比较:提醒多个参数组合回测时要做统计校正(下一节详讲)。

系列 18(厚尾分布下的随机区间突破)进一步用厚尾分布刻画突破后的收益分布——金融收益厚尾,极端突破(大趋势)的概率比正态分布高,这是趋势跟踪「偶赚大钱」的统计学基础。

三、形态识别类:WPRM 波段形态识别

WPRM(Wave Pattern Recognition Model,波段形态识别模型,系列 16)代表形态识别类策略:

• 核心思想:历史会重演——某种价格形态(如头肩顶、双底、旗形)出现后,后续走势有统计规律。WPRM 用算法识别当前形态,在历史数据库里找最相似的形态,用它们后续的走势预测当前。
• 流程:① 提取波段(用拐点识别把价格序列分段);② 标准化波段(去趋势、归一化);③ 在历史波段库里找最相似的 K 个;④ 用这 K 个后续走势的统计(均值/众数)做预测。

WPRM 的优势:能识别复杂非线性形态(均线、突破难以捕捉的)。劣势:形态匹配的距离度量、相似度阈值是参数,易过拟合;历史样本有限。

四、分形类:SMT 与 MFT

分形类策略用分形几何与标度理论挖掘价格序列的自相似模式。

SMT(时域分形相似性匹配,系列 8)

• SMT(Similarity Matching in Time)基于时域分形:把价格序列看作分形,在不同时间尺度上寻找相似片段。
• 方法:把近期价格序列(「查询片段」)与历史所有片段比对(用动态时间规整 DTW 等相似性度量),找最相似的若干片段,用它们的后续走势预测当前。
• 特点:分形视角让相似性匹配跨时间尺度——日内的模式可能与历史上某天的模式相似。

MFT(标度不变性破缺,系列 7)

• MFT(Multi-Fractal Theory)基于标度不变性破缺:金融价格在正常时段呈标度不变性(自相似),但在「资金流向变化」时这种对称性被打破。
• 洞察:标度不变性的「破缺」点往往对应趋势启动或反转。
• 策略:识别破缺点,作为进场信号。

分形类策略代表了「用数学结构刻画市场」的高阶尝试,它们比突破、形态更抽象,能捕捉到传统方法看不到的模式,但也更难解释与调参。

五、深度学习日内策略(系列 17)

华泰另类交易策略系列 17(深度学习股指期货日内交易策略)把深度学习引入日内策略,与第 5/6 章选股领域的深度学习演进一致:

• 思路:用神经网络自动从日内价格序列(以及量价、订单簿特征)学习「预测未来 N 分钟收益」的函数,无需人工设计突破/形态规则。
• 典型模型:LSTM/GRU(处理时序)、CNN(识别局部模式)、Transformer(注意力)。
• 优势:能自动发现复杂非线性模式,超越人工规则。
• 挑战:日内数据量大、噪声大,易过拟合;需严格的样本外验证与 walk-forward 测试。

深度学习日内策略代表了「数据驱动自动发现」的方向,与第 8 章因子挖掘(遗传规划/神经网络挖掘)思路相通。但它对数据质量、算力、过拟合控制的要求也最高。

六、四大类的对比与演进

演进逻辑:人工规则(突破)→ 半自动模式(形态/分形)→ 全自动数据驱动(深度学习)。这与选股领域的演进(第 2 章人工因子 → 第 4 章 ML → 第 5/6 章深度学习)完全一致,反映了量化研究整体的「自动化、数据驱动」趋势。

七、日内策略的命门:交易成本与滑点

日内策略成败的关键不是信号多巧妙,而是交易成本与滑点:

• 手续费:每笔交易付给交易所与经纪商的费用。日内频繁交易,手续费累积可观。
• 滑点(slippage):下单价与成交价的差异。市价单有滑点,尤其大单。
• 冲击成本:自己的大单推动价格不利方向,这是大资金的隐形杀手。
• 买卖价差(bid-ask spread):每次进出都付半个价差。

这些成本对日内策略的影响远大于低频策略——一个回测年化 30% 的日内策略,扣掉真实成本后可能只剩 5% 甚至为负。

💡 核心心法:评估日内策略必须用「扣费后回测」——把手续费、滑点、价差都算进去。更进一步,要对滑点做敏感性分析:滑点假设 1 tick、2 tick、3 tick 时,策略收益分别是多少?若策略对滑点极敏感(滑点翻倍就亏损),那它在真实交易中很可能活不下去。

八、日内策略的实战组合

单一日内策略往往不稳,实战常组合多类策略:

• 多策略分散:突破 + 形态 + 深度学习,相关性低,组合更稳。
• 多周期分散:在不同周期(1 分钟、5 分钟、15 分钟)上跑同策略。
• 多品种分散:在 IF/IH/IC 三个股指期货上都跑。
• 动态权重:按近期表现给各子策略动态分配资金。

组合后的整体收益更平滑,但需注意——多策略、多参数回测时,多重比较问题(下一节)更突出,过拟合风险更大。

本节要点回顾

1. 日内策略优势/代价:无隔夜风险、资金效率高、机会多;但交易成本高、容量有限、对基础设施要求高。
2. 突破类(系列 4/11/18):日内波动极值突破、区间突破;开盘后确立方向,突破极值进场;系列 11 加资金管理与多重比较提醒。
3. 形态识别 WPRM(系列 16):波段提取→标准化→历史库匹配最相似 K 个→投票预测;能捕捉复杂形态。
4. 分形类 SMT/MFT(系列 7/8):分形与标度理论;SMT 时域相似性匹配,MFT 标度不变性破缺点为信号;高阶但难解释。
5. 深度学习(系列 17):LSTM/CNN/Transformer 自动学日内模式;数据驱动但易过拟合,与选股领域深度学习演进一致。
6. 四大类演进:人工规则(突破)→ 半自动(形态/分形)→ 全自动(深度学习);反映量化整体趋势。
7. 命门-成本滑点:手续费、滑点、冲击成本、买卖价差;毛收益扣这些才是净收益;必须扣费回测+滑点敏感性分析。
8. 实战组合:多策略、多周期、多品种分散 + 动态权重;但多重比较问题更突出(下一节)。

下一节,我们看择时与轮动——行业轮动、风格动量套利、跨品种组合(系列 22/24/30),把视角从单一期货扩展到多标的配置。