也就是说，如果t统计量大于1，则看100%仓位买多；如果t统计量小于-1，则100%卖空，如果统计量介于-1~1之间，则卖空或买多对应的数值。由于t值可以取1之间的值，因此和SIGN规则相比，策略杠杆可以更低。实证结果也表明，这一交易规则在保持夏普不变的条件下，能明显降低换手率。

上面三个趋势跟踪规则——海龟、移动平均和收益符号，只是众多交易规则中的一小撮，其它被频频提起的还有布林带、MACD和肯特钠通道等，要数可以数一大堆。那么这些交易规则，到底哪个才是最优秀的小公举呢？这个问题可以一拆为二，一个是具体规则不同，二个是参数长度。

对于第一个问题，Levine和Pedersen(2016)做过比较详尽的讨论。双均线模型MACOROSS是过去价格的加权平均，时间序列动量TSMOM是过去价格变化或收益率的加权平均，通过数学变换可以将两者联系起来，实现相互转换。事实上，很多其他的趋势跟踪规则，包括HPFilter、KalmanFilter和OLS趋势线等，本质上都可以转化为TSMOM或MACROSS，即趋势跟踪规则虽然计算方法千奇百怪，但是内核几乎没啥差别。因此作者得出结论，由于许多趋势跟踪规则是相似的，与其花费大量精力在趋势跟踪规则的定义上，还不如多琢磨琢磨如何减少成本、周期选择、组合构建、风险管理和挖掘其它因子。对于这个问题，石川(2018c)也有过精彩的讨论，最终得出结论，具体使用哪个方法来衡量趋势其实没那么重要。

第二个为参数选择问题，为量化研究大坑之一，不小心就容易掉进去。一般而言，短周期参数和长周期参数，各有各的优劣。较短周期的趋势跟踪，能更加灵敏地捕捉到最新信息，信号产生较为频繁和快速，但更容易受到短期噪音的影响，更高的换手率也会招致更多的交易费用；较长周期的趋势跟踪，擅长捕捉较大的行情，但信号反应会比较迟钝。为了比较不同参数长度的差异，Hurstetal.(2013)在构造TSMOM时，同时考虑了1个月、3个月和12个月，结果表明，三个参数均能获得不错的表现，12月TSMOM好于3月，3月好于1月。将他们结合在一起，夏普和收益率最高。另外，在对CTA基金进行归因时发现，CTA基金在中期和长期TSMOM上暴露更多，在短期要少一些，表明业界还是偏向于表现更好费用更低的长周期参数。

由于底层逻辑都一样，当没有出现明显的上涨或下跌行情时，无论是规则设计多么复杂精妙，无论是短期中期还是长期，都无法获得可观的收益。趋势跟踪喜欢资产价格较大幅度的涨跌，而小幅振荡容易来回打脸啪啪啪。在实际设计趋势跟踪组合时，最好是多周期多规则结合，一方面减少参数的过度依赖，另一方面也能减少冲击成本提升策略容量。

既然趋势跟踪无处不在，并且有很强的底层逻辑，那么趋势跟踪在国内是否同样会有不俗的表现呢？接下来我们先按照Moskowitzetal.(2012)的方法，构造国内的TSMOM。

4.1数据

和股票行情数据相比，期货行情数据要麻烦得多。一个期货品种往往同时存在多个合约，每个合约相互独立，都有开盘价、最高价、最低价、收盘价、成交量和持仓量。在实际委托下单时，只会关注最活跃的合约；合约不会永续存在，随着交割日的临近，需要把持仓挪到下一个活跃的合约，即常说的展期换月。因此，如果要研究趋势跟踪的历史表现，需要对每个品种设计一个可靠的序列，以衡量真实的收益和波动水平。

刀疤连(2018)在梳理了各类连续期货价格计算方法后，借鉴南华期货收益率指数的编制思路，采用向前比例法，设计了一个全品种全历史的编制方案，即千寻期货品种收益率指数。本文的研究，全部基于该收益率指数数据。

在确定投资范围时，本文以流动性为主要标准，选择了36个长期活跃性较高的品种，其中包括3个股票指数期货、2个国债期货、4个金属期货、5个能源矿产期货、10个工业品期货和12个农产品期货[4]。由于早期期货品种数量较少，数据样本起始日为19970630，彼时已经有3个品种在市交易。由于计算趋势跟踪信号和方差协方差需要样本数据，因此实际研究起始日期为19990630，结束日期为20190628，正好20年。

随着国内期货市场的发展和完善，期货品种也变得更加丰富和多样，投资广度保证了各类策略“海阔凭鱼跃，天高任鸟飞”。图3展示了投资范围期货数量的历史变化，可以看到，刚开始时只有3个品种，2000年左右有4个品种，2001年到2004年长期只有5个品种；2007年数量开始快速增加，到2012年后已经达到20个，2013年到2016年上市品种进一步丰富，达到了35个；最近几年，新期货有条不紊地增加，截至到样本截止日，共有36个品种。