S&P 500 期貨交易策略:可回測的規則類型
多數 ES 策略屬於順勢、均值回歸或突破規則,各自仰賴不同的市場行為。在相信任何結果之前,請用真實成本、固定的交易時段與樣本外資料來測試。
作者 Soren Huang · 發佈 · 更新於 · 編輯原則
目錄
多數 S&P 500 期貨交易策略可分為三大規則類型:順勢、均值回歸與突破。每一類仰賴不同的市場行為,因此沒有任何一種能在所有行情下都有效。要在 ES 或 MES 上嚴謹地測試,請固定交易時段與 K 棒週期,納入手續費與滑價,並且只看樣本外與推進分析的結果。
交易者在 S&P 500 期貨上使用哪些策略類型?
幾乎所有以規則為基礎的 ES 策略都屬於這三類之一,知道類型就能預期它的績效會是什麼樣貌。ES 是在 CME Group 交易的 E-mini S&P 500 期貨合約,MES 是 Micro E-mini 版本,大小為十分之一。兩者追蹤同一個指數,所以同一套規則可以在任一個合約上測試。合約細節與兩者差異,請見S&P 500 期貨解說:ES 與 MES。這裡的每種規則都屬於程式交易,更完整的類型可以看期貨程式交易策略。
順勢規則
順勢規則是在價格上漲後買進、下跌後賣出,賭走勢會延續。典型例子是收盤價突破過去 N 天的最高價,或快速均線上穿慢速均線。這類規則通常在 60 分鐘或日 K 棒上運行。預期會有許多小額虧損與少數大額獲利。勝率常常低於一半,成果取決於不要太早在大趨勢中出場。
均值回歸規則
均值回歸規則是在急跌後買進、急漲後賣出,賭價格會回到近期均價附近。例如:收盤價遠低於 20 根 K 棒均線時買進,回到該均線時出場。這類規則常在日內 K 棒上運行。預期的特性正好相反:許多小額獲利,偶爾在下跌持續時出現大額虧損。虧損會有多深,由停損或時間出場決定。
突破規則
突破規則是在價格離開既定區間時進場,例如紐約時間上午 9:30 美國股市開盤後前 30 分鐘的高點與低點。聽起來接近順勢,但它運作的時間尺度更短,通常當天就出場。進場常使用停損單,因此三類規則中,突破規則對滑價最敏感。停損單進場很吃滑價,在 AlphaPrime(Valynox) 回測的滑價設定裡把成本調高,就能看突破規則還撐不撐得住。
| 規則類型 | 所需的市場行為 | 常見 K 棒週期 | 常見交易特性 | 最不利的情況 |
|---|---|---|---|---|
| 順勢 | 持續數天或數週的走勢 | 60 分鐘至日線 | 勝率低、單筆獲利大 | 盤整行情中反覆出現假啟動 |
| 均值回歸 | 部分回吐的急速走勢 | 5 至 30 分鐘 | 勝率高、偶爾出現大額虧損 | 強勢單邊走勢,例如崩盤 |
| 突破 | 區間被突破後的延續 | 1 至 15 分鐘 | 不一定,取決於出場方式 | 停損進場的滑價與清淡的交易日 |
ES 策略應該使用哪個交易時段與 K 棒週期?
先選與你實際交易時間相符的交易時段,再挑選仍能讓規則產生足夠交易筆數的最大 K 棒週期。ES 在 CME Globex 上幾乎全天交易:週日至週五,紐約時間下午 6:00 至下午 5:00,每天下午 5:00 到 6:00 休息一小時。許多交易者也會建立日盤 K 棒,時間為紐約時間上午 9:30 至下午 4:00,也就是美國股市的一般交易時段。交易所可能調整交易時間與合約規格,因此兩者都以 CME Group 的合約頁面為準。可用期貨交易時間工具查看你所在時區的時間。
交易時段會改變資料本身。全時段的日 K 棒包含隔夜的走勢,日盤 K 棒則在上午 9:30 以跳空開始。在一個交易時段測試、卻在另一個交易時段交易的規則,其實是不同的策略。夜盤的委託簿也較薄,因此在夜盤的交易要假設更多滑價。
| K 棒週期 | 每年交易筆數 | 成本占平均每筆損益的比例 | 最適合 |
|---|---|---|---|
| 1 至 5 分鐘 | 多 | 大 | 突破與短線日內反轉 |
| 15 至 60 分鐘 | 中等 | 中等 | 較慢的日內反轉與短波段 |
| 日線 | 少 | 小 | 順勢與多日反轉 |
較小的 K 棒週期會產生更多交易,讓統計更可靠,但也會縮小每筆交易的波動幅度,使成本占比變大。日 K 棒每年的交易筆數很少,所以需要很長的歷史資料才能判斷。
成本與滑價會從 ES 和 MES 的交易中吃掉多少?
成本決定短線 ES 策略能否存活,而在 MES 上,每一點被成本吃掉的比例比 ES 更高。滑價是回測假設的價格與你實際成交價格之間的差距。ES 以 0.25 個指數點為一個跳動點,每一跳動點價值在 ES 是 $12.50,在 MES 是 $1.25。期貨合約計算機可顯示跳動點與每點價值,以及一筆交易的損益。
請用指數點數來比較一筆交易的成本與平均每筆損益,因為兩種合約的點數是相同的:
一買一賣(來回)成本(點)= C ÷ V + 2 × S × 0.25
其中 C 是每個一買一賣(來回)的手續費與規費(美元),V 是每點價值(ES 為 $50,MES 為 $5),S 是你假設每一邊的滑價跳動點數,0.25 是跳動點的點數大小。
假設性範例
假設券商對 ES 每個一買一賣(來回)收 $5,對 MES 收 $1.50,且你假設每邊滑價一個跳動點。在 ES 上,成本是 5 ÷ 50 = 0.1 點的手續費,加上 0.5 點的滑價,共 0.6 點($30)。在 MES 上則是 1.50 ÷ 5 = 0.3 點,加上 0.5 點,共 0.8 點($4)。一個扣除成本前每筆賺 1.5 點的規則,在 ES 上留下 0.9 點,在 MES 上只剩 0.7 點。同樣的訊號、同樣的交易,結果卻不同。
對於日盤的市價單與停損單,ES 上每邊一個跳動點是常見的起始假設。隔夜交易,以及在開盤或預定消息公布前後進場,則要用更多。接著再用兩倍的滑價重新測試。更多內容請見回測中的交易成本。
如何用推進分析與樣本外資料檢驗 ES 策略?
只用未參與挑選策略的資料來評判 ES 策略。樣本內資料是用來選擇規則與參數的那部分歷史,樣本外資料則是保留下來、只用於測試最終選擇的那部分。推進分析是把這種切分重複多次的測試:在一個視窗上最佳化,在下一個視窗上測試,向前移動,再把各測試視窗接成一個結果。推進分析指南說明了如何選擇視窗長度。
請依照以下順序:
- 在執行任何測試之前,先寫下規則類型、參數範圍與出場方式。
- 固定交易時段、K 棒週期、手續費、滑價與下一根 K 棒成交,也就是在 K 棒收盤時做出的決定,於下一根 K 棒成交。
- 保留歷史資料中最近的一段,例如最後兩、三年,且不要去看它。
- 對其餘資料執行推進分析。計算有多少個測試視窗為正,以及最差的一個有多大。
- 分別檢查多單與空單交易。S&P 500 在過去幾十年的大部分時間上漲,所以只做多的規則可能只因為持有而看起來很強。請拿它與買進並持有該合約做比較。
- 把保留的期間執行一次,且不做任何更動。
好的結果是在測試視窗中,平均每筆損益維持在成本的數倍,獲利分散在許多視窗,且各視窗選出的參數彼此相近。壞的結果則是大部分獲利來自一兩個視窗,或在滑價加倍時就消失。
你嘗試過的變體數量也很重要。測試一百個變體再挑最好的,就像買了一百張彩券,卻把中獎的那張稱作實力。研究已顯示,眾多回測中的最佳者會因搜尋本身而被高估,而測試的變體越多,結果必須跨過的門檻就越高(Bailey & López de Prado, 2014;Harvey & Liu, 2015)。AlphaPrime透過其策略檢驗套用一致的樣本外檢查,提供基礎、標準與完整檢驗以及推進分析。
為什麼沒有任何策略類型能在所有市場狀態下都有效?
每個規則類型都需要特定的市場行為,而 S&P 500 會隨時間在不同行為之間切換。市場狀態是指市場以一致方式運行的一段期間,例如平穩上漲、震盪盤整或快速下殺。可以想成雨傘與太陽眼鏡:各有用處,但不在同一天。順勢規則需要走勢延續,均值回歸規則需要走勢反轉。在 2008 年金融危機與 2020 年 3 月的下殺中,價格又快又深地下跌。逢低買進的規則出現大額虧損,而一些做空的順勢規則則獲利。
要驗證這一點,請看每年與每個波動度水準下的結果,而不只看總數。如果一個策略的獲利全部來自某一種市場狀態,就要依它在不利狀態下的表現來決定部位大小。把不同類型的規則組合起來可以讓總體更平滑,但前提是它們的虧損期間不重疊。
如果你使用 AlphaPrime,這代表:你可以在 ES 或 MES K 棒資料上搜尋這三類規則,從第一次執行起就固定交易時段、成本與下一根 K 棒成交,然後只保留在推進分析與樣本外測試中站得住腳的候選策略。逐年檢視與多空對照檢視,則能顯示每一個依賴哪種市場狀態。
常見問題
交易 S&P 500 期貨最好的策略是什麼?
沒有單一最好的策略,因為順勢、均值回歸與突破規則各自仰賴不同的市場行為。有用的問題是哪一種規則在扣除成本後、在樣本外資料上仍站得住腳。請用同樣的方式測試每一類,並比較它們逐年的結果。
我應該在 ES 還是 MES 上回測?
價格資料是同一個指數,所以訊號相同。差別在成本:手續費在 MES 上每筆交易吃掉更多指數點數。請用你實際要交易的合約的成本來執行回測。
哪種 K 棒週期適合 e-mini 期貨策略?
這取決於規則類型。突破與短線反轉使用 1 至 15 分鐘的 K 棒,順勢通常使用 60 分鐘或日 K 棒。較小的 K 棒有更多交易,但會讓成本在每筆交易中占比更大。
ES 期貨應該假設多少滑價?
對日盤的市價單與停損單,每邊一個跳動點是常見的起點。隔夜交易、開盤進場或消息公布前後進場,則要假設更多。用兩倍的滑價重新測試,看策略是否仍然成立。
參考文獻
- Bailey, D. H., & López de Prado, M. (2014). The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting and Non-Normality. The Journal of Portfolio Management, 40(5), 94–107.
- Harvey, C. R., & Liu, Y. (2015). Backtesting. The Journal of Portfolio Management, 42(1), 13–28.

