Futures001: 从期货 CTA 回测到 ML / GP 因子研究

Posted Jul 7, 2026

By Pengyi

21 min read

这是 Futures001。

这篇不是发布原始数据，也不是公开私有课程材料。

这篇做的是一件更重要的事：

把一个期货投研训练项目，抽象成 public-safe 的量化研究框架。

核心目标：

讲清楚期货数据是什么。
讲清楚 CTA/time-series backtest 怎么跑。
讲清楚 cross-sectional futures factor 怎么理解。
讲清楚 ML / GP 为什么能扩展因子研究。
讲清楚哪里容易出 bias、leakage、overfit。
把它变成可以面试、可以交付、可以继续工程化的项目。

1. 项目定位

这个项目最安全、最准确的定位是：

Futures quant research reproduction and study project.

不要把它说成：

production trading system
live trading engine
institutional execution platform
guaranteed alpha library

更好的说法是：

I studied and reproduced a futures quant research workflow covering futures OHLCV data processing, CTA signal construction, time-series backtesting, cross-sectional futures factor testing, ML-based signal modeling, genetic-programming factor search, and bias-aware performance diagnostics.

翻译成中文：

我系统学习和复现了一套期货量化研究流程，覆盖期货 OHLCV 数据处理、CTA 信号构建、时序回测、截面期货因子测试、机器学习信号建模、遗传规划因子搜索，以及偏差诊断和表现评估。

这句话很稳。

它不夸张，但足够体现完整研究链路。

2. 两类核心数据包：Dataset1 和 Dataset2

这个期货项目可以拆成两类材料。

为了公开安全，这里只讲结构和方法，不暴露原始数据。

2.1 Dataset1：CTA / Time-Series Backtest 基础盘

Dataset1 更像期货 CTA 和回测基本功包。

它支撑这条线：

期货分钟数据
  -> ATR / DMA / RSI 等技术指标
  -> 信号生成
  -> 仓位生成
  -> 期货回测
  -> 手续费、净值、回撤、夏普、Calmar、胜率
  -> 参数敏感性分析

常见数据字段：

date_time
open
high
low
close
volume
turnover
oi
tradingDay

这里的 oi 是 open interest，持仓量。

期货里 open interest 很重要，因为它和流动性、主力合约、资金参与程度有关。

Dataset1 的核心价值：

它把期货回测从“看价格涨跌”推进到“信号 -> 仓位 -> 成交 -> PnL -> 风险指标”的完整闭环。

2.2 Dataset2：ML / GP / 因子扩展包

Dataset2 更像进阶建模包。

它支撑这条线：

指数 / 股指期货 / 衍生特征数据
  -> 特征生成
  -> 机器学习建模
  -> XGBoost demo
  -> 聚类 / 分布检验
  -> 遗传规划 GP 因子挖掘
  -> 单因子评价
  -> 模型过拟合诊断

Dataset2 的核心价值：

它把传统 CTA 回测往 AI / ML futures research 推进。

但是这里要非常谨慎：

ML / GP 不是自动印钞机。

更准确地说：

ML / GP 扩大了因子搜索和非线性建模空间，但同时也极大放大了过拟合、数据泄露、样本切分错误和解释不稳定的风险。

3. Dataset1 和 Dataset2 的区别

维度	Dataset1	Dataset2
核心角色	CTA / 期货回测基础	ML / GP / 因子发现进阶
重点	ATR、DMA、RSI、参数回测、PnL	XGBoost、聚类、分布检验、遗传规划
数据形态	商品/股指期货 OHLCVM，分钟/日频	指数、股指期货、持仓、价差、基差等
简历支撑	期货回测框架、CTA 策略复现	ML 信号建模、GP 因子挖掘
面试拷打	PnL、手续费、合约乘数、回撤、信号滞后	特征、标签、时间切分、泄露、过拟合

一句话：

Dataset1 帮我打通期货 CTA 回测基本功；
Dataset2 帮我把研究延伸到 ML 建模、因子生成和 GP 搜索。

4. 期货数据和股票数据不一样

期货不是股票。

期货研究里必须额外理解：

contract multiplier
margin
contract roll
main contract
continuous contract
open interest
night session
trading calendar
liquidity difference
transaction cost
slippage

最容易被面试拷打的是：

你是不是把期货当股票回测了？

好的回答：

不会。期货回测要考虑合约乘数、换月、主力合约连续性、保证金、交易时段、持仓量和手续费。PnL 也不是简单价格收益率，而要乘以合约乘数，并且每次开平仓都会产生交易成本。

5. CTA 回测主线

CTA 可以先粗略理解为：

用趋势、动量、突破、波动率等信号，在期货品种上做 time-series long / short / flat 决策。

一个典型流程：

OHLCVM data
  -> indicator
  -> signal
  -> target position
  -> trade
  -> daily PnL
  -> net value
  -> metrics

这条链路里，最重要的区分是：

signal is not position.

信号只是研究判断。

仓位才是交易动作。

中间还要经过：

开仓规则
平仓规则
交易时段限制
仓位大小
手续费
滑点
合约乘数

6. ATR 突破信号

ATR 是 Average True Range。

它衡量的是价格波动范围。

常见计算：

TR = max(
  high - low,
  abs(high - previous_close),
  abs(low - previous_close)
)

ATR = rolling_mean(TR, N)

然后构造上下轨：

Upline = open + k1 * ATR
Downline = open - k2 * ATR

信号：

if close > Upline:
    signal = 1
elif close < Downline:
    signal = -1
else:
    signal = 0

解释：

如果价格突破上轨，认为上涨趋势/突破成立；
如果价格跌破下轨，认为下跌趋势/突破成立；
否则不交易或维持原仓位。

这是一个非常经典的 CTA / breakout 思路。

7. 自写伪代码：ATR Signal

公开文章里不放原始源码，但可以写一个 public-safe 版本：

  
def atr_signal(df, n=14, k1=1.0, k2=1.0):
    ohlc = df[["open", "high", "low", "close"]].copy()

    tr1 = ohlc["high"] - ohlc["low"]
    tr2 = (ohlc["high"] - ohlc["close"].shift(1)).abs()
    tr3 = (ohlc["low"] - ohlc["close"].shift(1)).abs()

    tr = pd.concat([tr1, tr2, tr3], axis=1).max(axis=1)
    atr = tr.rolling(n).mean()

    upper = ohlc["open"] + k1 * atr
    lower = ohlc["open"] - k2 * atr

    signal = pd.Series(0, index=df.index)
    signal[ohlc["close"] > upper] = 1
    signal[ohlc["close"] < lower] = -1

    return signal

这段代码体现的是方法，不是私有 alpha。

核心是：

volatility-adjusted breakout.

8. Position Function：从信号到仓位

信号不能直接等于仓位。

一个保守仓位函数可以是：

  
def position_rule(signal, current_position, is_near_close):
    target = current_position

    if current_position == 0:
        if is_near_close:
            return 0
        if signal != 0:
            target = signal

    else:
        if current_position * signal < 0:
            target = 0
        if is_near_close:
            target = 0

    return target

这里表达几个规则：

空仓时，出现信号才开仓。
接近收盘不新开仓。
持仓时，出现反向信号先平仓。
接近收盘主动平仓。

面试中要讲清楚：

signal -> target position -> trade execution

这三者不是一回事。

9. PnL 和合约乘数

期货 PnL 要考虑合约乘数。

一个简化表达：

holding_pnl = start_position * (close - previous_close) * contract_multiplier
trading_pnl = position_change * (close - trade_price) * contract_multiplier
turnover = trade_price * volume * contract_multiplier
commission = turnover * commission_rate
net_pnl = holding_pnl + trading_pnl - commission

这就是为什么 contract_multiplier 重要。

如果忽略它，PnL 就会错。

如果忽略手续费和滑点，策略表现也会被高估。

10. 参数网格和过拟合

ATR 策略通常会调参数：

N
k1
k2

比如：

k1 = 0.1, 0.2, ..., 3.0
k2 = 3.0, 2.9, ..., 0.1

然后看：

annualized return
volatility
Sharpe
max drawdown
Calmar
win rate
trade count
return-risk ratio

但是这里有一个很大的风险：

parameter sweep can overfit.

参数热力图很好看，不代表未来有效。

必须做：

in-sample / out-of-sample split
walk-forward validation
multi-instrument validation
cost sensitivity
regime robustness

11. Cross-Sectional Futures Factor

CTA 是 time-series。

Cross-sectional futures factor 是另一种逻辑。

区别：

CTA:
  对单个品种，判断它自己应该做多、做空还是空仓。

Cross-sectional factor:
  在同一个日期，对多个期货品种排序，做多高分组，做空低分组。

一个简单框架：

for each date:
    compute factor value for each instrument
    rank instruments
    long top group
    short bottom group
    aggregate portfolio return

常见因子方向：

momentum
term structure
roll return
basis
open interest change
volume / liquidity
volatility
technical morphology

这和股票多因子类似，但期货里有自己的特殊性：

contract roll
term structure
carry
seasonality
inventory
macro sensitivity
margin and leverage

12. ML Signal Modeling

机器学习进入期货研究，常见流程是：

features X
label y
train / validation / test split
model fit
prediction
signal conversion
backtest
diagnosis

常见模型：

linear model
decision tree
random forest
XGBoost
SVM
RNN / LSTM
deep sequence model
ensemble model

但是金融时间序列不能随便 random split。

一个危险做法：

randomly split all samples into train and test.

为什么危险？

因为会破坏时间结构，容易让未来信息通过数据分布、标准化、标签构造、重复样本等方式泄露到训练集。

更好的做法：

rolling split
walk-forward validation
time-based OOS

13. XGBoost 在这里的角色

XGBoost 不是魔法。

它的作用是：

用树模型拟合非线性关系和特征交互。

但它不能自动解决：

低信噪比
市场 regime change
样本外退化
交易成本
label instability
feature leakage

面试表达：

I treat XGBoost as a nonlinear modeling tool, not as an alpha guarantee. The key is feature-label definition, rolling validation, baseline comparison, and OOS stability.

14. Genetic Programming：因子公式搜索

GP 可以理解为：

自动搜索 symbolic factor formulas.

它需要定义：

terminal set
function set
fitness function
population
mutation
crossover
selection
complexity penalty

一个 GP 因子可能长得像：

rank(ts_mean(volume, 20) / ts_std(close, 10))

或者：

ts_corr(return, open_interest_change, 20)

注意，这里只是示意。

GP 最大的问题：

huge search space + noisy financial data = severe overfitting risk.

所以 GP 的价值不是：

自动找到永久 alpha。

更合理的定位是：

factor candidate generation engine.

后面必须接：

OOS validation
turnover check
cost check
factor decay
cross-instrument robustness
economic interpretation
complexity control

15. 这套项目最重要的不是某一个结果

这套期货项目最重要的不是：

某个参数组合收益最高。

也不是：

某个 ML 模型跑出来很漂亮。

最重要的是研究能力：

能拆数据。
能写信号。
能转仓位。
能做回测。
能算指标。
能识别 bias。
能解释为什么结果可能不可靠。
能提出下一轮验证计划。

这是 quant research 的基本功。

16. Bias Checklist

期货项目必须拷打这些：

look-ahead bias
signal / position misalignment
label leakage
feature standardization leakage
contract roll error
survivorship bias in universe
ignored transaction cost
ignored slippage
parameter overfitting
single-period overfitting
random split on time-series
liquidity blind spot
turnover explosion
regime dependency

如果这些讲不清楚，项目很容易被认为只是“跑过代码”。

如果这些能讲清楚，就能体现真正研究训练。

17. 面试 30 秒版本

I worked through a futures quant research project covering CTA backtesting, futures multi-factor research, and ML / GP factor discovery. The core was to understand the full research loop: futures OHLCV data, ATR / DMA style signal construction, position generation, transaction-cost-aware backtesting, performance metrics, and bias diagnosis. I do not frame it as a production trading system; I frame it as a research reproduction and training project that taught me the structure and failure modes of futures quant research.

中文版本：

我做过一个期货量化研究训练项目，覆盖 CTA 回测、期货多因子研究，以及 ML / GP 因子发现。核心不是宣称做出了生产级交易系统，而是打通完整研究链路：期货 OHLCV 数据、ATR / DMA 信号构建、仓位生成、含手续费的回测、表现指标，以及 look-ahead、过拟合、时间切分等偏差诊断。

18. 面试 2 分钟版本

这个项目可以分三层。

第一层是期货数据和回测。我学习了分钟/日频 OHLCVM、持仓量、成交额、合约乘数等字段，并理解为什么期货回测不能直接套股票回测，因为期货涉及合约换月、乘数、保证金、交易时段和成本。

第二层是 CTA 和多因子。CTA 部分主要是 ATR、DMA、RSI 这类技术指标，把价格和波动率转成 signal，再通过 position function 转成仓位，并计算手续费后的净值、回撤、夏普、Calmar 等指标。多因子部分则从单品种 time-series 拓展到多个期货品种的 cross-sectional ranking 和 long-short portfolio。

第三层是 ML 和 GP。ML 部分关注 feature、label、rolling split、XGBoost 等模型；GP 部分关注 symbolic factor search。我的核心理解是，ML/GP 能扩大搜索空间，但金融数据低信噪比，必须特别注意未来函数、随机切分、参数过拟合、成本和样本外稳定性。

19. 和 Research OS 的连接

这套期货项目可以接进 Pengyi Quant Research OS。

系统对象可以是：

FuturesDataCard
SignalSpec
PositionRule
BacktestProtocol
MetricReport
BiasDiagnosis
ModelExperiment
FactorCandidate
NextResearchPlan

对应 pipeline：

data
  -> signal / factor
  -> position
  -> backtest
  -> metrics
  -> diagnosis
  -> next experiment
  -> human review

这和我们之前做的 R&D Agent 很一致：

自动提出因子假设
+ 自动实现
+ 自动回测
+ 自动诊断偏差
+ 自动生成下一轮研究计划
+ 人类 PM 审核

期货项目给了这个 Research OS 一个真实训练场。

20. Public-Safe 边界

这篇文章遵守几个边界：

不公开原始数据。
不公开课程文件。
不公开完整私有源码。
不公开具体可交易 alpha 细节。
不把研究训练项目包装成生产交易系统。

可以公开的是：

研究框架
方法论
指标解释
伪代码
bias checklist
面试表达
系统设计抽象

这才是长期能沉淀信用的方式。

21. 最终总结

Futures001 的核心结论：

Dataset1 是期货 CTA / time-series backtest 基础盘。
Dataset2 是 ML / GP / factor discovery 进阶包。
两者合起来，构成了从传统期货 CTA 到 AI/ML futures research 的完整训练场。

但是更重要的是：

我们真正要展示的不是某个神奇收益曲线，而是完整、可解释、可验证、能诊断偏差的 quant research workflow。