6 June 2023

Crypto 高频量价（二）：基于 RNN 的量价因子挖掘

QK
核心观点： chris.chen@ctc-institute.com

人工构造高频量价因子的过程存在缺陷。在上一篇报告中，我们介 Holt
绍了基于 binance 高频聚合成交数据的一系列量价因子，并取得了 holt.tang@ctc-institute.com
一定的效果。人工构造因子符合逻辑，样本外存活时间较长，但缺
点是数量少，生产速度慢。本篇报告提出了一个因子批量生成的框 Thomas
架，用于大量生产量价特征。 thomas.chen@ctc-institute.com

神经 网络模 型能 够取得较好 的 预测效果 。本篇报告基于循环 神经

网络（RNN）模型的一个变体 GRU 模型，对 BTC 的时间序列数据
进 行 了 预 测 ， 模 型 在 样 本 外 取 得 了 夏 普 比 率 3.17 ， 年 化 收 益
161.20%的效果。但策略换手率较高，受到手续费假设水平影响较
为严重。

神经网络模型在量价数据上能够取得较好效果。在后续的研究中，
我们将继续改善网络结构设计，增加多币种的数据量，以获得更好
的样本外预测效果。

请仔细阅读文末的声明
1

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023

目录
目录 ......................................................................................... 2
前言 ......................................................................................... 3
1 高频量价特征生成 ......................................................................... 4
1.1 人工构造 ............................................................................... 4
1.2 批量构造 ............................................................................... 4
2 神经网络模型 ............................................................................. 8
2.1 模型介绍 ............................................................................... 8
2.2 循环神经网络（RNN） ................................................................... 10
3 实证结果 ................................................................................ 12
4 总结 .................................................................................... 14

请仔细阅读文末的声明
2

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023

前言
如前篇报告所言，高频量价数据富含丰富的信息。人工构造因子虽然质量高，但数量少，
速度慢，往往难以满足工业化的因子生产流程。我们需要一种批量生产因子的框架，持续
从高频量价数据中挖掘有预测能力的因子。

神经网络模型是近几年在金融数据预测中大放异彩的新技术，在各个市场上都取得了较好
的效果。对时间序列数据，循环神经网络（RNN）类的模型由于能够捕捉到数据在时间序
列上先后关系中的特征，因此常常能取得较好的效果。

本篇报告就基于一个简单的 mask×高频特征×聚合函数的因子生产框架，以及一个简单
的 GRU 模型，初步尝试使用神经网络模型对 BTC 进行时间序列预测。报告分为四个部分，
第一节介绍因子批量生产的框架，第二节介绍神经网络模型，以及本篇报告设计使用的网
络模型，第三部分进行实证检验，最后总结。

请仔细阅读文末的声明
3

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023

1 高频量价特征生成
1.1 人工构造
人工构造是比较符合逻辑的特征生产方式。在上一篇报告中，我们正是通过人工构造的方
式生成了一批因子，并形成交易信号。

表 1. 人工合成因子
因子名称 含义
CAG 连续大单主动买卖次数差
CAS 连续大单主动卖出
CAB 连续大单主动买入
ABR 主动买入大单收益率
ASR 主动卖出大单收益率
ARG 主动买卖大单收益差
ANA 大单主动净买入额
ANV 大单主动净买入量
AIR 大单冲击反转
数据来源：CTC Institute

人工合成因子之优劣显而易见，其优势在于符合逻辑，易于理解，一旦失效能够比较容易
的找到原因；劣势在于数量太少，产出成本太高，一旦大规模失效，则容易导致整个系统
的崩溃，且人的思维逻辑偏线性，在需要捕捉非线性的市场特性时就捉襟见肘。

1.2 批量构造
为方便大量的产出特征，我们给出一个“mask×高频特征×聚合函数=低频特征”的框架，
用于批量的构造低频特征，以一个案例进行说明。我们知道，股市开盘后半个小时内的成
交是非常有信息量的，因此，许多人会使用开盘内半个小时的主动净买入作为当日行情的
一个预测指标。

将开盘半个小时内的主动净买入这一指标按照我们的框架进行拆解，不难发现它其实由以
下三个部分组成：

 mask：09:30~10:00
 高频特征：主动买入成交额-主动卖出成交额
 聚合函数：求和

也即如下示意图中的过程：

请仔细阅读文末的声明
4

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023
图1. 高频特征低频化示意

资料来源：CTC Institute

因此，如需批量生产特征，我们只需要人为的构造一定数量的 mask、高频特征、聚合函数，
使用这三者进行交叉，即可得到低频化的结果。当然，使用这一方式构造得到的特征并不
一定都有非常好的预测性，甚至很多时候得到的也是垃圾数据，但其胜在量大，且构造特
征的边际增长都是指数型增长：每增加一个 mask，都会增加高频特征数量乘以聚合函数数
量个新的特征。

上面的例子中，主动买入成交额-主动卖出成交额本身已经是一个在分钟维度聚合之后的
结果，本篇报告使用最原始的高频数据，因此高频特征主要为成交价格、成交笔数、成交
量三个。

本篇报告最终希望在小时级别得到交易信号，
因此， 我们构造了如下的高频 mask：
根据经验，

表 2. Mask 列表
名称 含义
naive_all 全部数据
high_25 最高价附近 25 笔交易
high_50 最高价附近 50 笔交易
low_25 最低价附近 25 笔交易
low_50 最低价附近 50 笔交易
higher_than_mean 成交价比当日均价高
lower_than_mean 成交价比当日均价低
cont_raise_5 连续上涨 5 笔
cont_raise_10 连续上涨 10 笔
cont_drop_5 连续下跌 5 笔
cont_drop_10 连续下跌 10 笔
max_raise_30 上涨最快的 30 笔交易
max_raise_60 上涨最快的 60 笔交易
max_drop_30 下跌最快的 30 笔交易
max_drop_60 下跌最快的 60 笔交易
max_dd 发生最大回撤的区间
top_volume_25 成交量最大的 25 笔交易

请仔细阅读文末的声明
5

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023
top_volume_50 成交量最大的 50 笔交易
low_volume_25 成交量最低的 25 笔交易
low_volume_50 成交量最低的 50 笔交易
maker_sell 主动买入
maker_buy 主动卖出
minute_00 每个小时前 10 分钟
minute_10 每个小时 10-20 分钟
minute_20 每个小时 20-30 分钟
minute_30 每个小时 30-40 分钟
minute_40 每个小时 40-50 分钟
minute_50 每个小时 50-60 分钟
high_trade_num_1 最高价的成交
high_trade_num_5 最高五笔成交
low_trade_num_1 最低价成交
low_trade_num_5 最低五笔成交
资料来源：CTC Institute

可以看出，mask 不仅可以跟时间相关，还可以与成交价变化、甚至连续成交行为相关，其
构造方式千变万化。同样的，聚合函数也存在无限的可能，但简单起见，本报告只使用了
以下几种简单的聚合函数：

表 3. 聚合函数列表
名称 含义
Sum 求和
Mean 均值
Std 标准差
Skew 偏度
cv 变异系数
资料来源：CTC Institute

在进行聚合函数运算时，我们不希望在数据较少的情况下产生极端值，影响特征的分布。
因此，对某一天的低频化过程中，如果 mask×高频特征后剩余数据量小于 50，则直接将当
日置为空值。最终对单个币种，我们便可得到 3×32×5，总计 480 个特征。由于数据量过
大，我们不在此展示数据的一些统计性质，仅观察特征之间的相关性和其时变性质。

请仔细阅读文末的声明
6

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023
图2. 相关系数热力图

资料来源：CTC Institute，binance

由于特征数量过多，我们无法展示所有的特征名称。但从上图中可以发现，变量与变量之
间还是存在较多的红色区域（高正相关区域）和深蓝色区域（高负相关区域）
，即特征之间
存在较强的相关性。

另外，我们从使用月度均值的变异系数来观察数据的时变性。即我们先计算了每一个特征
的月度均值，然后计算月度之间的变异系数（标准差/均值），当这个数据越大，说明特征
在不同时间之间的分布差异越大。

图3. 时序变异系数

资料来源：CTC Institute，binance

请仔细阅读文末的声明
7

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023
不难看出，存在较多的特征时序变异系数非常大，意味着在不同的时间段，其分布非常不
一致。

从后续模型应用的角度，如上的数据特征有两点需要改善。一是分布，我们希望数据在不
同的时间区间上分布保持一致，这样后续进行神经网络模型训练时，样本内得到的参数才
能在样本外取得好的效果，最好能使数据分布接近正态分布，欲达到这样的效果，我们当
然不能简单的给全部时间的数据直接取 z-score 来优化，因为这样会引入非常严重的未来
数据问题，因此，我们在后续进行测试的时候再专门优化。

二是相关性，我们不希望将相关性过高的数据送入模型，因为这会增加模型的随机性。例
如两个样本内高度相关的变量 A 和 B，网络在训练时，给任何一个变量更高的权重都可
以，因此会导致多次训练时，权重在两个变量间分布非常随机，既可以认为 A 重要，也可
以认为 B 重要。而样本外一旦出现不同，就会导致预测结果在两次训练间非常不同。

我们使用 2022 年以前的数据对上述因子进行降相关性操作。控制入选因子的相关系数低

于 0.4，最终我们得到 187 个因子，进入后续的模型训练。

2 神经网络模型
2.1 模型介绍
神经网络模型是近年来在金融数据处理领域大放异彩的模型。我们并不主张初学者从头到
尾理解神经网络的原理，乃至数学推导之后再上手模型。因此，在本文中我们力图用最简
单的方式解释它到底如何对未来的数据进行预测。

通常人们用如下的方式介绍神经网络：数据经过一层又一层的神经网络向前传播，到终端
后与预测目标计算差值，再一层一层反向传播，更新参数。或者，用更通俗的语言介绍，
神经网络模型是模拟人的神经元，接受刺激，给出反应，传递到下一个神经元，通过大量
神经元的连接，最后生成预测值。

请仔细阅读文末的声明
8

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023
图4. 神经网络模型示意

资料来源：CTC Institute，IBM

这样的介绍方式当然符合直觉，但并不能真正的让人理解神经网络模型究竟在做什么。我
们认为，一个更简单的理解方式是：神经网络其实只是一系列矩阵运算。一个最基础的多
层感知机（MLP），其实做的事情就是进行了几次矩阵运算：

图5. 单层神经网络模型矩阵运算示意

资料来源：CTC Institute

其中，矩阵 W 中全都是需要估计的参数，在模型训练的初始，我们可以将它设置为随机
数。activate 就是所谓的激活函数，relu 或 tanh 都是常见的激活函数。由矩阵运算最基础的
请仔细阅读文末的声明
9

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023
原理可以知道，X 和 W 要能够相乘，那矩阵 X 的列数必须和 W 的行数相同，矩阵 X（x_a
× x_b 维）和矩阵 W（w_a × w_b 维）相乘，则 x_b 必须等于 w_a，且两者相乘得到的结果
Y1 的维数是 x_a × w_b。激活函数不改变输出的维度，所以 Y hat 维度与 Y1 一样，也是
x_a × w_b。

当我们得到 Y hat 后，就可以计算它与真实的 Y 之间的差，也就是损失，然后根据损失对

前面的参数矩阵 W 进行微调，使得预测值和真实值进一步接近。在经过多次微调后，Y hat
与 Y 的差距不再缩小，我们就认为模型已经收敛，就可以用于预测了。

对 W 进行调整的过程，就是所谓的“反向传播调整参数”。为什么要叫反向传播，是因为调
整 W 时使用的方法为梯度下降，而根据矩阵求导的链式法则，得到损失之后，基于损失从
后往前计算，并根据矩阵的梯度调整参数矩阵。

这只是一层的感知机，我们可以将上述的操作连续多次，就得到了一个简单的多层感知机。

图6. 多层神经网络模型矩阵运算示意

资料来源：CTC Institute

只要我们能把矩阵的维数首尾相接的对齐，最后就能让 Y hat 与输出的结果维数相同，也

就能计算损失函数。当然，在实际的应用中，我们使用的不仅仅是二维的矩阵，还有可能
是张量，张量无非是高维矩阵，运算的规律与二维的完全一致。

2.2 循环神经网络（RNN）

循环神经网络（Recurrent Neural Networks, RNN）是一种常见的网络结构，其核心在于构

造了一个专门用于处理时间序列数据的网络结构，并且取得了不错的预测结果。其核心思
路是对于序列的每个输入，网络都执行相同的操作，而某一个当前输出结果取决于模型上
一个输出，以及当前的输入。

请仔细阅读文末的声明
10

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023
图7. RNN 模型示意

资料来源：CTC Institute

图中我们展示了一个最简单的 RNN 模型，一个 RNN cell 仅仅是接收了当期的输入 X_t，

上一期的输入 H_t-1，将两者相加，然后经过一层全连接网络之后直接交给下一期的 RNN
cell，直到最后输出结果。

实际业务中的 RNN 模型会更复杂，但也仅仅复杂在 cell 内部的结构，外部整体的结构与

上述的 RNN 并无区别。目前最流行的两种 RNN 结构的模型是 LSTM 和 GRU，使用了门
控算法。LSTM 诞生较早，包含三个门控单元：输入门、遗忘门、输出门。

相比上文中最简单的 RNN 模型，LSTM 还在 cell 内部包含了一个内部状态 C。而三个门

的逻辑是，输入门控制了前一个 cell 的输出和当期特征的输入怎么结合并传递（上述的例
子中我们是简单的相加） ，遗忘门决定了前一个 cell 的内部状态对当前 cell 的内部状态影
响幅度，输出门决定当前 cell 内部状态对当前 cell 输出的影响幅度。

图8. LSTM 计算公式 图9. LSTM 示意图

𝑖 = 𝜎(𝑊 𝑥 + 𝑏 + 𝑊 ℎ + 𝑏 ) 输入门

𝑓 =𝜎 𝑊 𝑥 +𝑏 +𝑊 ℎ +𝑏 遗忘门

𝑔 = 𝑡𝑎𝑛ℎ 𝑊 𝑥 + 𝑏 + 𝑊 ℎ +𝑏
𝑜 = 𝜎(𝑊 𝑥 + 𝑏 + 𝑊 ℎ + 𝑏 ) 输出门
𝑐 = 𝑓 ⊙ 𝑐 + 𝑖 ⊙ 𝑔 内部状态
ℎ = 𝑜 ⊙ tanh(𝑐_𝑡)

资料来源：CTC Institute，公开资料整理 资料来源：CTC Institute，图源网络

GRU 的一个 cell 中仅包含两个门控单元。即更新门和复位门。复位门控制前一个 cell 的输出和当期特

征的输入怎么结合并传递，更新门则控制了遗忘和输出。类似于一个简化版本的 LSTM。如果说本篇
报告唯一有一组希望读者进行展开推导，详细理解的公式，那就是 GRU 的公式。

请仔细阅读文末的声明
11

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023
图10. GRU 计算公式 图11. GRU 示意图

𝑟 = 𝜎(𝑊 𝑥 + 𝑏 + 𝑊 ℎ + 𝑏 ) 复位门
𝑧 = 𝜎(𝑊 𝑥 + 𝑏 + 𝑊 ℎ + 𝑏 ) 更新门
𝑛 = 𝑡𝑎𝑛ℎ 𝑊 𝑥 + 𝑏 + 𝑟 (𝑊 ℎ +𝑏 )
ℎ = (1 − 𝑧 )𝑛 + 𝑧 × ℎ

资料来源：CTC Institute，公开资料整理 资料来源：CTC Institute，图源网络

如前文所述，在这一步我们希望的是因子能够在样本内外分布尽可能均匀，增强模型泛化
能力。在使用 RNN 模型时，每次训练本来就需要使用到多日的信息，因此，我们在将数
据送入模型前，先进行一次时间序列上的标准化操作。这样的操作实际上含义就是：我们
使用了最近一段时间因子的相对水平作为特征。

之所以这样的操作不会引入未来信息，是因为我们使用 RNN 模型时，对下一期的预测本

来就是 RNN 网络输出的最后一期的预测值，我们关注的也只有最后一期的预测值对实际
值有无预测能力。

3 实证结果
由于币圈本身积累的高频交易数据时长有限，再则本篇报告仅仅使用 BTC 的数据进行择
时训练，因此，我们不进行滚动训练，仅仅将 2020 年 1 月 1 日至 2022 年 11 月 9 日，总
计 25000 行数据进行作为样本内数据，2022 年 11 月 9 日之后数据作为样本外测试集。

另外，在整理训练集和测试集数据时，我们采用了重叠采样的方法。即 RNN 本身需要使

用一定时间长度的数据 n，但我们在采样时，每次仅前进 m，其中 m 小于 n。这样会导致
样本之间存在一定的重复，但 m 和 n 的设置合理的情况下，可以做到增加样本数量，但不
至于让数据重复过多。

神经网络训练使用梯度下降算法，因此涉及一个多次训练，逐步收敛的过程。我们使用样
本内数据截至 2022 年 4 月 14 日，总计 20000 条的数据作为测试集，将 2022 年 4 月 14 日
至 11 月 9 日总计 5000 条作为测试集。进行多轮训练直到模型在测试集上的损失不再下
降，则认为模型已经收敛。

另外，RNN 训练存在随机性，因此多次训练会产生不同的结果。为保证结果的稳健性，我
们重复训练 5 个 GRU 模型，并取其均值。我们使用 GRU 模型最后一个 cell 输出的结果作
为模型的预测，与真实值进行比较。

我们的模型示意图如下：

请仔细阅读文末的声明
12

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023

图12. 多层神经网络模型矩阵运算示意

资料来源：CTC Institute

因此，我们每次送入 RNN 的数据是一个 5×187 的矩阵，经过 GRU 模型后，通过几个全

连接层的缩放，调整到 output 大小，最终输出结果。模型参数如下：

表 4. 模型参数列表
参数 数值
训练集长度 20000
验证集长度 5000
测试集长度 4837
重采样步长 2
RNN 期数 5
隐藏层数量 2
隐藏层大小 第一层（187，256）
；第二层（256，64）
Dropout rate 0.1
输出大小 1
学习率 0.0001
激活函数 Leaky relu
优化器 Adam
Epoch 30
早停轮数 10
优化目标 MSE
资料来源：CTC Institute

在优化目标的选择上，常用的有 MSE 和相关系数两种。但经过简单的数学推导可以知道，

MSE 和 pearson 相关系数实际上在数学上是等价的，两者主要的区别就在于训练中模型收

请仔细阅读文末的声明
13

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023
敛的速度。我们这里使用了 MSE，但实际上使用相关系数也并无区别。

模型的最终产出是对未来收益的预测。我们使用相关系数看模型对未来预测的准确程度。
我们使用预测结果进行最简单的策略构造。当预测值大于 0 时，将信号设置为 1，持仓未
来 1 个小时，当预测值小于 0 时，将信号设置为-1。

图13. 构造策略结果 图14. 表现统计

手续费 夏普比率 年化收益 最大回撤

0% 3.17 161.20% 23.66%
0.03% 2.82 143.21% 24.68%
0.05% 2.60 132.01% 25.36%
0.1% 2.04 104.00% 27.07%
0.2% 0.94 47.98% 31.08%

资料来源：CTC Institute，binance 资料来源：CTC Institute，binance

我们发现，策略由于换手率较高，受到手续费比较严重的影响，在 0 手续费的假设下，策
略获得样本外夏普比率 3.17 的效果。但随着手续费的上升，策略整体表现下降比较严重。
另外，由于数据量的限制，重复多次训练时，模型结果差距比较明显，随机性较强，降低
了数据本身在样本外运行的稳健性。这也是我们后续需要解决的问题。

4 总结
本文基于币安的高频交易数据，对基于神经网络的模型进行了初步研究。报告首先提出一
个批量构造低频特征的 mask×高频特征×聚合函数的框架，基于这个框架和 BTC 的高频
聚合成交数据，我们构造了众多小时级的特征。基于这些小时级特征，我们设计了一个简
单的基于 GRU 的模型，对未来的 BTC 小时级收益率进行预测，预测结果在样本外取得了
夏普比率约为 3.17，年化收益 161.2%。但模型整体换手率较高，且受限于数据量，模型在
样本外表现相对不稳定，仍有进一步改进的空间。

请仔细阅读文末的声明
14

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。
 6 June 2023
重要声明
本材料并未考虑客户的特定投资标的、财务状况及需求，并不意在构成投资推荐、报价、诱导购买或销售任何投资标的及投资策略。
投资有风险，包括本金损失的风险。过往表现并不保证未来收益。所有投资建议均需与投资者的投资目标、投资期限、及风险承受能力结合考虑。并
非所有投资建议都适合所有投资者的最佳利益。资产的配置、分散化及再平衡并不能保证获利或降低下行风险。投资具有不同程度的风险，包括资产
价值可能因公司或市场特定事件以及经济、政治或社会事件、监管变化、利率变化、信用风险、经济变化而波动以及不利的政治或金融因素的影响。
另类投资存在投机性，且涉及高风险。 另类投资仅适用于合格投资者。 衍生品、对冲基金、私募股权基金等另类投资可能带来更高的回报潜力，但
也存在更大的损失潜力。经济状况或其他情况的变化可能会对投资产生不利影响。在参与另类投资之前，应考虑投资者整体财务状况、投资规模、流
动性需求以及风险承受能力。
CTC Institute 不保证本材料的可靠性、及时性、准确性及完整性。任何投资决策均需基于审慎论证，CTC Institute不对基于本材料做出的投资决策承
担任何责任。CTC Institute及附属机构及顾问不提供任何法律、税务、会计建议。如有需求请咨询专业机构。

重要聲明
本材料並未考慮客戶的特定投資標的、財務狀況及需求，並不意在構成投資推薦、報價、誘導購買或銷售任何投資標的及投資策略。
投資有風險，包括本金損失的風險。過往表現並不保證未來收益。所有投資建議均需與投資者的投資目標、投資期限、及風險承受能力結合考慮。並
非所有投資建議都適合所有投資者的最佳利益。資產的配置、分散化及再平衡並不能保證獲利或降低下行風險。投資具有不同程度的風險，包括資產
價值可能因公司或市場特定事件以及經濟、政治或社會事件、監管變化、利率變化、信用風險、經濟變化而波動以及不利的政治或金融因素的影響。
另類投資存在投機性，且涉及高風險。 另類投資僅適用於合格投資者。 衍生品、對沖基金、私募股權基金等另類投資可能帶來更高的回報潛力，但
也存在更大的損失潛力。經濟狀況或其他情況的變化可能會對投資產生不利影響。在參與另類投資之前，應考慮投資者整體財務狀況、投資規模、流
動性需求以及風險承受能力。
CTC Institute 不保證本材料的可靠性、及時性、準確性及完整性。任何投資決策均需基於審慎論證，CTC Institute不對基於本材料做出的投資決策承
擔任何責任。CTC Institute及附屬機構及顧問不提供任何法律、稅務、會計建議。如有需求請咨詢專業機構。

Important Disclosures
This material does not take into account a client’s particular investment objectives, financial situations, or needs and is not intended as a recommendation, offer, or
solicitation for the purchase or sale of any security or investment strategy.
Investing involves risk, including the possible loss of principal. Past performance is no guarantee of future results. All recommendations must be considered in the
context of an individual investor’s goals, time horizon, liquidity needs and risk tolerance. Not all recommendations will be in the best interest of all investors.
Asset allocation, diversification and rebalancing do not ensure a profit or protect against loss in declining markets. Investments have varying degrees of risk
include the possibility that the value of the assets may fluctuate in response to events specific to the companies or markets, as well as economic, political or social
events, regulatory changes, interest rate changes, credit risk, economic changes and the impact of adverse political or financial factors.
Alternative Investments are speculative and involve a high degree of risk. Alternative investments are intended for qualified investors only. Alternative
Investments such as derivatives, hedge funds, private equity funds, can result in higher return potential but also higher loss potential. Changes in economic
conditions or other circumstances may adversely affect your investments. Before you invest in alternative investments, you should consider your overall financial
situation, how much money you have to invest, your need for liquidity and your tolerance for risk.
CTC Institute do NOT promise any reliability, promptness, accuracy and integrity of this material. Any investment decision should be made on the basis of
prudential argument and CTC Institute take NO responsibility of any sort for decisions made based on this material.
CTC Institute and affiliates and advisors do not provide legal, tax or accounting advice. Clients should consult their legal and/or tax advisors before making any
financial decisions.

© 2022 CTC Institute.LTD All rights reserved.

请仔细阅读文末的声明
15

本材料版权归 CTC Institute.LTD 所有，未经书面许可，任何机构个人不得以任何形式对外公布、转载、转发、复制、编辑、修改等。如有上述行为，CTC

Institute 保留追究相关方法律责任的权利。