➤ 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。
01
1.1从股票到股指的T0策略
1.1.1股票T0策略现状
日内回转交易又称T0交易，买入卖出在当日完成，不受隔夜风险影响。由于国内股票市场为T+1交易制度，因此个股上T0交易依赖底仓或融券。在融券业务收紧、高频交易限制等监管指引下，个股T0策略生存环境已变化：融券T0受限，但底仓T0仍有效。近一年成交量大幅增加下T0策略有效性增加，较多机构新增了T0策略方向的布局。
T0策略表现较少受到指数涨跌方向与宏观经济强弱的影响，与标的换手率及日内振幅更相关。其单笔收益较低，通过较高的交易频次（分钟级、Tick级）、较严格的止损设置、较高的信号胜率获取稳定的盈利，能够提供与传统资产收益相关性较低的收益来源。但其缺点在于对于盘口的流动性要求较高，收益随着交易滑点的增加而减少，整体策略容量较为有限。因此主要对于规模较小资金或者是有大量底仓的策略有较稳健的收益增厚效果。
按照策略执行方式来说，T0策略可分为：人工T0和程序化T0。
人工T0：单人仅能覆盖3-5只个股，团队一般聚焦于几十只股票，成本高依赖交易员。策略靠反应速度捕捉日内高低点，能比程序化拿到更好的单笔收益。其更依赖交易员对于单票在时序上的长期经验和“感觉”，交易判断依赖综合信息。
程序化T0：利用高频数据监测全市场股票机会，统计或机器学习类模型可快速复制到大多数股票。收益较为稳定但是弹性较低。频率上分为高频（秒级别到分钟级别）、中低频（分钟级别到小时级别）。策略基本仅依赖量价信息。
股票T0策略的收益率在时序和各产品间的方差都较大，但回撤普遍较小。历史数据显示，股票T0在活跃度较低的市场如2022、2023年收益较低（约5%），而在活跃度较高的市场如2020、2021年收益较高（约10%-20%）。对于不同机构而言，T0策略的年化收益率区间同样较宽，约在5%至20%之间。人工T0的费前年化收益率往往高于程序化T0，但由于后者业绩报酬提成比例更低，费后收益率接近。不过T0策略的最大回撤都比较小，许多产品小于1%，甚至在0.5%以内。因此T0策略通常拥有非常高的风险调整后收益，在当下低利率环境中作为类固收替代策略受到较多关注。
目前股票T0算法已发展出成熟第三方服务商，与券商的经纪业务展开合作。目前已有较多券商与程序化交易算法服务商进行了合作对接，投资者可以直接通过相应客户端调用服务商的T0底仓增强算法进行自动交易。对于上市公司股东、价值投资者等较长持仓的投资者，以及指数增强等的股票多头策略都可提供收益增厚服务。
1.1.2股指期货T0策略的优势
相较于股票T0策略在A股市场的制度限制，股指期货为T0策略提供了天然的优势平台：
原生T+0交易机制：中国的股指期货市场实行T+0交易制度，允许在同一交易日内自由开仓和平仓，为日内多次反向交易提供了制度基础，无需像个股一样借券或需要底仓，可以更低成本规避市场Beta暴露，实现绝对收益目标。
高流动性与充足振幅：股指期货，特别是沪深300（IF）、中证500（IC）和中证1000（IM）等主力合约，通常具有极高的市场流动性和充足的日内振幅。高流动性和足够的振幅为T0策略创造了更多的容量和空间。
较低的交易成本：相对于股票交易，股指期货无需借券且交易费用和冲击成本通常更低，这对于需要进行频繁交易的T0策略至关重要。
资金杠杆效应：股指期货采用保证金交易制度，自带杠杆，能够放大策略收益，是证券市场为数不多的免费优质杠杆产品。
相较于商品期货T0策略，股指期货T0策略也有其独特优势。商品期货交易的对手方仅有同样在商品期货上交易的投资者，而股指期货不仅受到期货交易者的影响，同样也实时的受到对应指数成分股上的交易者的影响，整体盘口价格稳定性更高。除此之外股指期货最小变动单位0.2点，而合约价值在3000-8000点左右，商品期货以螺纹钢为例，最小变动单位1元/吨，合约价值在3000-8000元/吨，滑点的影响股指期货更小。
1.1.3对于多资产、多策略配置的意义
股指期货T0的收益来源与传统资产差异较大，能够提供资产的多样性。同时股指期货是各类资产中为数不多的能够提供免费杠杆以及空方收益的资产，这在其他资产中较难实现，扩展了资产配置的可能性。特别是在当下理财收益率逐步走低的环境中，此种另类资产的收益不失为较好的收益补充。
股指期货T0策略的高胜率低回撤和收益来源异质化特性使得其在配置层面可给传统资产带来较大的提升。市面上未有T0策略指数，我们暂以收益风险特征类似的CTA策略指数为例。由于CTA策略与其他资产的低相关性，在基础资产池（沪深300、中证2000、中长期国债、黄金、恒生指数）中增加CTA策略的配置后，简单风险平价策略的年化收益率可以由5.50%提升到6.67%，最大回撤由6.71%降低到3.74%，夏普比率由1.46提升至2.55。
1.2股指期货T0策略范式探讨
T0策略和传统交易策略的区别在于开仓与平仓是有时间限制的，需要严格交易纪律。其必须在固定期限内开仓并且在固定期限内平仓，这意味着无法获取长期价值回归的收益，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。其次，T0策略极易受到高频信息流的冲击。市场的任何突发新闻、甚至是一笔大额订单的出现，都可能瞬间改变价格的短期走向，需要较严格的交易纪律。
除了严格的风控，股指期货T0策略的内核是预测未来极短时间内的价格方向。其具体实现逻辑可考虑以下几类：
1.2.1 基于订单簿的微观结构策略
此类策略将价格的形成过程视为买卖双方力量的动态博弈，通过分析买卖盘口的挂单量、挂单价格分布、订单流等高频数据，预测短期价格的走势，交易频率通常较高。例如：
“冰山单”识别与应用： 当策略监测到某个价位有持续的、小笔订单被动成交，但挂单量并未显著减少时，可能意味着存在隐藏的“冰山”大单，这通常预示着该价位存在强劲的支撑或阻力。
深度不平衡刻画与应用：深度不平衡（Depth Imbalance）刻画订单簿不同价格档位的挂单量或成交量的力量差异，从而直接指示买卖力量相对强弱，以捕捉微观市场信号。
1.2.2 动量/反转与统计套利策略
这类策略建立在金融时序的统计规律之上，无论是基于价格运动惯性规律的动量策略还是基于稳定均值回归特征的反转策略，交易频率通常为中低。例如：
动量策略：在较短的时间尺度内，寻找具有惯性的价格的运动特征。当一波强劲的上涨或下跌趋势形成时，后续会有更多的资金跟进，导致趋势在短期内延续。动量策略通过识别这种趋势的早期信号，顺势而为。
反转策略：该策略认为市场参与者往往会对信息或价格的剧烈波动做出过度反应。当价格在短时间内出现急涨或急跌后，情绪驱动的交易会使其偏离短期公允价值，从而大概率引发修正性的回调或反弹。反转策略旨在捕捉这种修正行情。
1.2.3 机器学习/深度学习与传统范式的结合
随着人工智能技术的发展，机器学习与深度学习已成为高频T0策略领域最具竞争力的范式之一。这类策略的核心优势在于能够自动从海量、高维、充满噪声的数据中学习复杂的非线性模式，其预测能力远超传统统计模型。基于深度学习的高频策略在历史回测中往往表现出稳定的收益，可以用于T0的以上两类策略中。例如：
DeepLOB：通过将订单簿的时序数据输入卷积‑Inception‑LSTM 网络最终通过Softmax函数预测上升、下降、持平三种未来10-50ticks可能出现的价格变动，实现了对限价订单簿数据的高效特征提取与时序建模，显著提升了短期价格预测的准确性与稳健性。模型在5支训练股票上取得约70%的预测准确率，并在5支未见股票上仍保持约65%的准确率，展示了强大的特征迁移能力。
《DeepLOB: Deep Convolutional Neural Networks for Limit Order Books》 Zhang Z, Zohren S, Roberts S.
Deep Momentum Network：核心采用 LSTM网络来直接学习趋势估计与仓位，省去手工特征工程和规则化步骤。模型在训练时以Sharpe Ratio损失为目标，实现对风险‑调整后收益的直接优化，从而同时捕获长期动量趋势和短期均值回归信号。
《Enhancing Time Series Momentum Strategies Using Deep Neural Networks》 Lim B, Zohren S, Roberts S.
由于高频交易在国内期货市场限制较多，因此本报告我们主要探索结合深度学习的中低频动量/反转策略。
02
基于日内走势模式预测的T0框架
CHAPTER
基于上节分析，我们重点研究基于日内走势模式预测的T0框架。股指的日内走势往往有一些较为典型的特征模式，比如早盘急涨午盘滞涨、持续下跌尾盘反弹等，如若能提前判断日内走势模式，根据早盘部分走势可制定相应的日内交易策略。
2.1时间序列聚类算法梳理
股指的日内走势模式预测是一个分类问题，首先要解决的是到底有哪些类别。这涉及到对每日的走势归纳典型特征，本质是金融时间序列的聚类问题。传统的聚类问题都需要首先计算样本点之间的欧式距离，但这并不适合金融时间序列的走势模式预测。对于走势模式的预测，相似性刻画需要尽量克服局部的：1、平移不变性；2、缩放不变性；3、周期不变性。也就是说能够通过局部平移、缩放、周期变换匹配的都应算是同一类模式，因为对于基于规则的T0策略来说只需特征信息判断日内是否会出现更高价（更低价）也即波形特征即可，无需知道出现的精确时间、幅度、速度。这类似于三角函数中初相位、振幅、角频率的局部变化，不改变波动的路径特征：
DTW+K-Means和K-Shape是两种可部分解决上述问题的经典算法。
1.DTW+K-Means
动态时间规划（DTW，Dynamic Time Warping）算法是一种用于衡量两个时间序列相似性的算法。其尤其适用于处理不同长度或速度的序列数据，比如快慢语速下的语音识别。其基本概念是通过动态规划方法寻找一条最优路径，使得两个序列在时间轴上进行非线性对齐（类似于用一个序列沿着另一个序列弹性包边），以最小化累积距离作为相似性度量。DTW距离度量可以克服时间序列在局部的平移不变性、缩放不变性、周期不变性。
具体而言，对于两个序列
，首先计算两序列各点间的两两欧式距离（对于股指期货这类一维向量来说，就是点位差）：
然后从终点
反向按照累积距离矩阵递推至起点计算最优路径：
利用所得到的最小化累积距离作为时序间的距离刻画，我们可以将其带入K-Means算法实现指数日内形态聚类。K-Means算法的迭代过程一般有两步：
1、（划分）计算各个样本与K个簇中心（第一次往往取随机样本点）的距离并将每个样本点归入最近簇；
2、（精化）更新计算每个簇的簇中心。
在采用DTW作为距离度量的K-Means算法中，第二步更新簇中心往往采用一种基于DTW的非线性平均方法DBA（DTW Barycenter Averaging），在保留原始数据的时序结构与形态特征下计算平均簇中心：
1、（对齐）对簇内每个样本进行DTW路径对齐（任取一个样本作为坐标）；
2、（平均）将每个坐标对齐到的关联值进行平均（关联值为空的保留原始值）。
我们采用DTW+K-Means方法对沪深300历史日内1min走势进行聚类，可以看到此算法的簇中心计算极易受到异常值的影响，从聚类效果来看重复形态较多，且DTW整体计算复杂度较高：。
2.K-Shape
K-Shape是一种专为时间序列聚类设计的无监督学习算法。其核心思想是保留时间序列的“形状”特征，与传统聚类算法采用的欧氏距离不同，K-Shape使用一种名为“基于形状的距离”（SBD，Shape-Based Distance）的度量标准，该距离通过归一化后的序列互相关（cross-correlation）来计算，能够有效地衡量两个时间序列在形状上的相似度，而忽略幅度和相位上的差异，具有平移不变性和缩放不变性。这使得K-Shape在处理金融时间序列时具有理论优势，因为金融市场交易员常常关注价格形态而非绝对价格。
相比DTW，K-Shape牺牲了对局部周期不变性的刻画，但其在计算效率和簇中心表达上更具优势。其提出者John Paparrizos和Luis Gravano发现K-Shape在多个数据集上的聚类准确性大幅优于或媲美基于DTW的方法，并且计算效率得到了较大的提高。
具体而言，算法采用互相关度量序列间的相似性。对于两个序列X=
，
，互相关保持Y不动，将X在其上滑动计算相关系数，并取最大值作为相似度，且以此时的滑动窗口作为最佳匹配平移窗口：
需要注意的是算法对于输入的序列X和Y会预先进行z-score处理首先保证缩放不变性，从而计算过程中的X和Y均值都为0。SBD的算法本质上就是取得在尽量较少平移的情况下获得较高的匹配度，平移幅度为扣分项，相关系数为加分项。
理论上
的计算依然是复杂度的，但是卷积定理简化了其计算。两时间序列的卷积可以通过对各自离散傅里叶变换（DFT）乘积进行逆变换（IDFT）得到：
。从而计算复杂度可以降至
。
簇中心的提取本质上是找到一个序列使得其与簇内各样本的标准互相关（NCC）之和最大：
此问题可以转化为求如下瑞利商（Rayleigh Quotient）最大化问题，可以通过取实对称矩阵M的最大特征值对应的特征向量作为最大化解：
其中X'为簇k中所有经与簇中心最佳滑动窗口调整过后的序列集。
我们采用K-Shape方法同样对沪深300历史日内走势进行聚类，可以看到其簇中心更为平滑并且与簇平均相似度更高。簇中心与簇平均近似的说明此类走势形态最佳滑动窗口波动较小，历史较为稳定；而若两者差别较大则说明此类走势形态最佳滑动窗口之间差异较大，历史不太稳定，对应实施的交易策略可以更保守。鉴于K-Shape相比DTW+K-Means更快的计算速度与更好的金融序列匹配结果，后文分析我们都将采用K-Shape对指数日内形态进行聚类。
2.2K-Shape算法在股指现货的聚类表现
我们对有股指期货的上证50、沪深300、中证500、中证1000的日内走势共同进行聚类。取2017年10月-2022年12月每日各指数日内1min收盘价，每日收盘价除以当日均价减1并处以标准差后进行聚类。为了首先明确股指的日内走势有哪些基本的形态，我们先进行较多分类的聚类分析（K=20）。
从聚类结果来看20类在形态上有较多重复类型，核心走势基本就四类：涨、跌、跌涨跌、涨跌涨。日内走势走出二折的概率较低，未形成有效的聚类。重复类型更多的是在每一波走势的速度、斜率、停止等特征上有细微的区别，在交易策略的实施上并无太大的区别。因此综合考虑我们首先选择K=8。
同时为了更好的学到我们想要的类型，对于簇中心的初始值我们直接显式给定。原始算法中簇中心的初始化主要以0值点或随机样本点为主，这样聚类的结果有一定随机性并且可能与我们想要的类型顺序不符。因此我们直接显式的给定簇中心的初始值，主要为一折、二折、三折、四折的共8种基本形态。
由此聚类得到的簇中心类型与我们设定的顺序基本一致。算法在样本内外的簇中心基本一致，反映出聚类的稳定性。值得注意的是二折的走势在算法迭代下呈现为三折，说明“深V”或“倒深V”的走势实际出现可能较少，另外四折这类复杂走势也并不是一种典型走势类型。关于聚类的数量问题我们将在后文进一步讨论，我们暂且以此八分类作为后续的预测标签。
2.3基于深度学习的走势形态标签预测
对于中低频T0策略而言，预测走势类型相比预测收益率更有意义。首先，日内某时间段的具体收益率预测相对较难并且需求的训练数据量较大，股指并没有那么多的数据量。其次，在有基本的走势形态判断后，可以通过日内的CTA策略自动监测交易信号与完成风险控制。在CTA基线策略效果比较稳定的前提下，结合走势形态的判断而非收益率的判断或更能够发挥CTA的效能。
日内走势模式的预测是一个分类问题，我们考虑采用以Softmax函数为输出层的简单MLP（多层感知机）神经网络来处理特征。通用逼近定理（Universal Approximation Theorem）告诉我们一个前馈神经网络，只要包含至少一个隐藏层和足够多的神经元，使用非线性激活函数，就可以以任意精度逼近任意连续函数。模型整体输入两类信息：截面量价特征，时序量价特征。输入截面量价特征的目的是给模型一个偏背景的视角，比如今日开盘是怎么走的，过去几日开盘、盘中、收盘是怎么走的，目前是上涨趋势还是下跌趋势等基本信息；输入时序量价特征的目的是给出更多微观的细节，相比低频信息而言微观细节的预测能力往往更强，两者结合信息集更为完全。模型结构上截面信息进行全连接后与时序信息输入的GRU隐藏层进行拼接（Concat）后输入MLP进行特征组合与搜索。
具体而言，截面量价特征包含开盘10min特征，前五日日内走势特征，前五日日线特征，前一天量价和资金面特征。时序量价特征包含OHLCVA的6个维度过去240min（前一日230min，今日开盘10min）的面板数据。
我们以2017年11月1日-2021年12月9日为训练集，以2021年12月10日-2022年12月30日为验证集进行训练。最终验证集的准确率可以由随机的12.5%左右提升至20.35%，虽然没有特别高但提升效果显著。对于样本外2023年-2025年准确率整体在16.14%。
从样本外各分类预测数量来看，八分类下各类别数量差异较大，基本被分到一直涨（Class1）和一直跌（Class2）两类，意味着目前输入的判断信息仅能粗略区分趋势强弱，并不能对盘中具体的路径进行预判（盘中路径或更受盘中信息影响）。因此我们认为在目前的输入特征下实际走势形态的分类可以进一步简化。
我们最终将走势形态聚类减少为三类，仅区分上行趋势、下行趋势、震荡这三类走势。本质上CTA基策略基本也是趋势和反转两类，两者分别适合趋势市和震荡市，如上的三分类基本可以指导相关策略的适配。K-Shape三分类的自然准确率在33%左右，通过混合神经网络模型训练（滚动5年，训练集验证集4：1），验证集胜率可达40%左右，模在测试集的近一个季度内整体可以有40%甚至更高的准确率，但一个季度过后衰竭较快，因此我们每季度对预测模型进行重新的训练，以保证更稳定的预测效果。
绝对胜率较低的预测模型如何贡献收益？前提是CTA基策略需要有稳定的效果。也就是说如果在不做任何预测的情况下我们的趋势/反转CTA策略尚能够稳定盈利（虽然收益不高），只要进一步叠加的对走势类型判断模型的胜率高于随机，我们就可以基本保证策略在原有基础上能够提升，随着预测模型的不断迭代增强，最终策略整体即可有稳步的收益增益。因此接下来的章节我们重点构建稳定的CTA基策略。
2.4T0基线策略：日内ATR突破
基于深度学习的走势类型预测能够提高一定的判断胜率但仍不足以直接做出买卖决策，因此基线交易策略非常关键。本篇报告中我们以日内ATR突破策略为T0基线策略，进行初步的回测。此策略为趋势策略，其主要以前一日ATR（平均真实波幅）的一定比例k构建交易区间，在价格突破交易区间时进行开仓并动态止盈止损，持仓在接近收盘时间（14：59）必须强平不隔夜。具体方法如下：
日内ATR突破策略：
1、构造日线ATR（3），采用指数移动平均计算；
2、每日9：40开始交易，14：59保证全部平仓；
3、以昨收加减一定比例k的昨日ATR值作为上下轨；
4、价格突破上轨做多，突破下轨做空，每次满仓，保证金比例100%；
5、信号反转则平仓后直接反向开仓；
6、回撤超过开仓价的一定幅度：sLoss*ATR止损；动态回撤超过收益最高价格的一定幅度：sProfit*ATR止盈。
日内ATR突破策略本质上是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。以下回测都基于k=0.5，sLoss=0.25，sProfit=0.5的默认参数，并且首先在股指的现货上进行。
日内ATR突破策略对于交易费率较为敏感。策略平均每天开仓1.5次，在单边万0.5的费率下上证50、沪深300、中证500、中证1000都长期能够积累正收益，但在单边万2.5的费率下仅沪深300、中证500、中证1000能够保持长期积累正收益。以单边万2.5的费率进行回测，沪深300、中证500、中证1000的年化收益率分别为：5.8%、24.85%、41.76%，最大回撤分别为-19.27%、-10.18%、-8.07%，夏普比率分别为：0.61、2.01、2.80。
从策略的日收益特征统计上来看，整体日胜率在50%上下，市值越小的指数胜率越高，策略的收益很大程度上依靠赔率。按照以下公式简单估算盈亏平衡费率：(盈利日日均收益率-双边费率*平均交易次数)*日胜率-(亏损日日均收益率-双边费率*平均交易次数)*(1-日胜率)=0，上证50在双边万五以上的费率下无法盈利，沪深300在双边万七的费率下无法盈利，中证500在双边千1.3的费率下无法盈利，中证1000在双边千1.8的费率下无法盈利。
2.5基于走势形态预测的股指期货T0策略
日内ATR突破策略理论上并不适用于震荡环境，通过走势形态预测我们可以适配基策略的调用与否与调用参数从而进一步提升策略收益。从基策略在样本内（2017年11月-2022年12月）的表现来看，不同预测标签下的策略表现具有明显差异，预测为Class3也就是偏震荡的交易日策略整体为负收益，因此可以选择在Class3交易日不做交易。
除此之外不同走势类型适合不同的策略参数，开仓0.5倍ATR的默认阈值只是全局较优参数，有一定提升空间。比如对于较为确定的单边上涨/下跌行情，我们的上下轨可以采用更低倍数的ATR以尽早开仓捕获收益，通过预测提升策略的赔率以抵抗较高交易频率下的交易费损耗。具体的通过样本内的最优寻参，我们采用如下结合走势形态预测的参数调用策略：
预测为Class1：K_up=0.25 , K_down=0.5 , sLoss=0.25 , sProfit=0.5；
预测为Class2：K_up=0.5 , K_down=0.5 , sLoss=0.25 , sProfit=0.5；
预测为Class3：当日不做交易。
我们取上证50、沪深300、中证500、中证1000的主力合约作为标的进行回测，在样本外（2023年1月-2025年6月）根据季度训练的走势分类预测模型进行交易。四个合约等权配置下，对比不做预测（默认参数）和做预测（参数优选）策略收益由年化6.65%提升至11.19%，最大回撤由7.45%降低至3.62%。
对于单纯IM合约策略收益可由年化31.33%提升至34.83%，最大回撤7.15%增加至7.89%，效果略有提升。也就是说对于本身日内振幅较大的指数来说预测能够增加的收益相对有限，基策略本身有较强的表现。
2.5总结与展望
在当下银行理财收益率逐步走低的环境，另类绝对收益策略作为固收类策略替代以及资产配置的有效补充逐步受到投资机构关注。这其中T0策略由于其风险暴露低、收益回撤比高等优势成为各量化机构边际布局最多的策略之一，且已经有多家成熟的算法供应商与券商经纪业务展开了合作。
相比股票T0而言，股指期货T0无需底仓/融券，能够以更低的成本规避Beta的暴露和完成交易。同时股指期货还提供高质量的免费杠杆，是T0策略更有利的载体，其更小的最小变动单位使得其相对商品期货具备更低的滑点影响，因此本报告核心研究股指期货T0策略。
由于日内回转交易对风控要求较为严格，因此我们采用日内走势形态预测+日内CTA的框架构建策略。我们利用K-Shape算法将日内走势归类为趋势上涨、趋势下跌、震荡三类。采用MLP+GRU的神经网络架构结合日频截面与高频时序信息进行标签的预测，验证集胜率可由自然的33%提升至40%。在预测的基础之上我们叠加了适配对应走势类型的日内CTA基策略，以最终完成交易的落地。CTA基策略包含了开仓信号、止盈信号、止损信号的完整交易系统，在即便不做预测的情况下也能有稳定的收益贡献，叠加走势类型的预测将起到增强的作用。整体策略最终可达到费后年化11.19%的收益和3.62%的回撤，收益回撤比较高。在IM上单独实施收益可达年化30%以上。
框架开放性较强，未来仍有两大角度可继续探索：
1）输入更多信息（宏观面、情绪面、Level2）提升走势类型预测效果；
2）开发反转的日内CTA基策略以利用震荡交易日获取更多收益。
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。T0策略适合日内波幅较大环境，如若市场活跃度降低或交易费率上升都可能导致策略效果削弱。