1

目录

加密货币指数融合择时策略.............................................................................................................1
一、 策略原理............................................................................................................................1
1. 趋势动量................................................................................................................................. 1
2. 内部结构................................................................................................................................. 1
3. 外部环境................................................................................................................................. 2
4. 融合框架................................................................................................................................. 2
二、 模型构建............................................................................................................................3
1. 外部环境指标的选择与处理.................................................................................................3
2. 比特币信号融合框架.............................................................................................................6
3. 以太坊信号融合框架.............................................................................................................8
4. Alts 信号融合框架............................................................................................................... 10
5. 基于信号融合框架建立指数择时投资策略...................................................................... 10
6. 最大回撤风控模型...............................................................................................................12
三、回测和评价.......................................................................................................................15
1. 总回测结果...........................................................................................................................16
2. 各个时间段回测结果...........................................................................................................17
3. 策略模型评价.......................................................................................................................20
四、 总结.......................................................................................................................................... 21
参考链接：...............................................................................................................................22
 1

加密货币指数融合择时策略

加密货币是一个动量显著、长期上涨趋势十分明显的市场，但同时，这个市场的
波动水平又远高于大多数传统金融市场。因此，如何捕捉市场的主要趋势从而获得市
场平均或超越市场平均的利润，同时对净值波动和回撤风险进行控制是对基金管理人
的一个很大挑战。

本文借鉴中金的研究成果，将适用于加密货币收益预测的多维度指标进行结合构
建了不同加密货币的信号融合框架，并将其运用于构造指数择时投资策略，实现了获
得超越市场平均收益并有效控制风控的目标。

一、 策略原理

第一部分中，我们将对多维度收益预测指标和信号融合框架进行概述。

1. 趋势动量

动量趋势在市场中普遍存在，只要趋势持续时间显著长于调仓周期，就可以通过
追随趋势获得高预测胜率。我们在研究过程中发现了不同的趋势追踪方式，但大多数
都是基于移动平均线（Moving Average）进行建立。有的基于均线斜率的变化来预测趋
势的反转，有的用波动率来调节均线对行情变化的敏感度，有的用指数移动平均值
（Exponential Moving Average）而非简单移动均线。本策略采用多均线系统来进行趋
势动量维度的预测。

由于趋势动量维度是偏右侧的预测维度。为避免在趋势末期确认趋势所造成的追
高杀低，我们必须根据对当前趋势持续时间的判断来调整调仓周期。具体来说，我们
会在趋势持续时间较短的震荡市或极端市中缩短调仓周期，及时调整短期方向；而在
趋势持续时间较长的趋势市中延长调仓周期，把握长期走势结构。

2. 内部结构

内部结构是偏左侧预测维度，其理论依据是资产的估值水平、风险溢价、交易热
度等内生指标具有均值回复性，当指标达到历史极值时，未来大概率会出现反转现象，
因此可以通过计算内生指标当前所处的历史分位，来判断资产的高估/低估以及过热/过
冷状态，从而对资产未来的高位风险和低位机会做出左侧提示。

值得注意的是，不像传统股票市场可以使用市盈率与市净率、股权风险溢价来衡
 2

量整个市场的估值水平、风险溢价，目前加密货币还未形成成熟的估值方法，更没有
普遍适用的估值指标。因此，我们需要针对不同的加密货币去搭建独立的内部风险指
标体系。由于本策略最终针对的投资标的是加密货币指数，因此我们根据成份的权重
占比、属性特性，将指数划分成三个部分去创建内生指标体系。其中，比特币在指数
中占比最大、资产属性共识最为清晰，并且已有非常丰富的估值指标可供选择，因此
可单独划分出来。以太坊作为第二大主导资产，预期其指数占比在未来几年依然会持
续显著（甚至上升），并且在我们的研究过程中也发现了相对可行的内部风险指标，
因此也作为独立的标的进行模型建立。最后一个部分是山寨币（Alts），也就是指数中
除了比特币和以太坊以外的其他加密货币。Alts 的成份种类多样，可能包含平台币、
公链、货币支付类、Defi 以及 NFT，因此很难采用统一的估值指标，并且，大多数币
种的链上数据可获取性远不及比特币和以太坊。经研究暂未发现针对 Alts 的可行内部
风险指标体系。

3. 外部环境

外部环境指的是对标的资产未来表现有影响的运行环境，是偏同步的预测维度。
通常，外部环境指标是反映经济运行状态的宏观指标体系，可以被用来反映当前资产
运行环境对资产收益的利好程度，其选取标准是具有经济学逻辑、公布频率较高。

由于加密货币跟宏观经济关联的特殊性，我们在创建外部环境维度信号的时候，
选取了个别宏观资产而非宏观经济指标，其逻辑将在模型设立中展开。

4. 融合框架

如前所述，趋势动量、内部结构以及外部环境这三个维度在同步性上存在差异，
且其预测逻辑互不相关，因此，融合框架必须遵循各维度指标的同步性与预测逻辑。
趋势动量指标是右侧的趋势追随指标，因此在融合框架中的作用在于判断资产已经处
于的方向趋势；内部风险结构指标是左侧的反转预警指标，因此在融合框架中的作用
在于预示资产未来的高位风险与低位买入机会；外部环境指标是同步的场景刻画指标，
因此在融合框架中的作用在于反映当前外部环境对资产运行的利好程度。

本策略将依据加密货币整体以及指数各组成部分自身的特征，灵活使用以上三个
维度的指标和信号。对于比特币和以太坊，采用多均线体统确认上涨或下跌趋势，并
用短期内部风险指标对动量信号指示的仓位结果进行调整，同时，利用长期内部风险
指标来提示大周期级别的高位回撤风险和低位买入机会。如前所述，Alts 没有适用的
内部风险指标，因此其仓位依据以动量为主。对于外部环境，我们将其纳入到基金整
体仓位的风控中，即按照外部风险等级确定总体仓位水平。考虑到目前为止比特币在
整个市场的主导地位，以及其他币种跟其之间的高相关性，我们也尝试将比特币作为
外部指标纳入到以太坊和 Alts 的融合框架中。

随后，我们将不同部分的融合框架整合成指数的择时投资策略，其核心思想是：
首先根据外部环境刻画出当前全球投资环境的利好程度，按照外部风险等级确定基金
整体仓位水平；其次，按照市值占比将整体仓位分配给比特币、以太坊和 Alts；三者
最后的实际仓位由各自的融合框架信号确定。
 3

使用以下流程图来展示外部环境、内生结构、趋势动量三维度指标和指数的融合
过程。具体执行和模型参数将在模型构建中进行说明。

二、 模型构建

在这一部分中，我们将详细阐述建立适应不同加密货币的信号融合框架的步骤，
以及如何将其应用于我们的加密货币大盘指数投资管理。最后一个环节中，我们搭建
了最大回撤风控模型，以期进一步控制加密货币投资的风险水平。

1. 外部环境指标的选择与处理

基于我们过往的研究，加密货币长期以来与主要的资产类别（美元、美股、黄金）
不存在显著的相关性，并且传统经济学逻辑中具有代表性的经济指标大部分不适用于
加密货币。但随着加密市场的发展，各类项目逐步被主流市场接纳并慢慢融入到全球
金融系统中。同时，我们发现，近期加密货币价格似乎越来越多的对宏观事件做出反
应，如 2020 年 3 月份的流动性危机、2021 年 11 月 10 日晚美国公布 10 月 CPI 涨幅超
出预期后比特币和黄金应声大涨等。综上所述，我们预期全球经济环境将会逐步影响
加密货币市场，所以将外部环境风险考虑在模型构造内。我们选取的初始外部风险指
标有：标普 500（S&P500）、美元指数（DXY）、 芝加哥期权交易所 波动率指数
（VIX）。
4
 5

选取 2015 年至今的 S&P500、DXY、VIX，以及比特币价格数据，计算每个外部

指标增长率与比特币增长率的滚动 90 天相关系数。观测上图，我们可以发现比特币与
S&P500、VIX在 2020 年后的相关性明显上升，相关系数约达到±0.6。而DXY 的相关
性有所上升但仍未突破±0.5，所以我们筛选出现阶段适用于加密货币市场的外部环境
指标为：1）S&P500；2）VIX。

从上方相关性图可以看出，2020 年以来，S&P500 与比特币阶段性呈较强正相关

性，而 VIX与比特币阶段性呈较强负相关性，因此我们构建外部指标步骤如下：

S&P500

1. 设置+0.3 的相关性作为参考的阈值，当相关性大于+0.3 时，初步提示风

险；
2. 当相关性大于+0.3 时，观测 S&P500 当期增长率相较 4 周前增长率的变
化处于过去一年的多少百分位。当百分位处于 20%到 30%间，判定为第一等级
风险；当百分位处于 10%到 20%间，判定为第二等级风险；当百分位处于小于
10%间，判定为第三等级风险；
3. 只有当相关性大于+0.3 以及当期增长率相较 4 周前增长率的变化处于过
去一年历史 30 百分位以下，进行风险预警；

VIX

1. 设置-0.4 的相关性作为参考的阈值，当相关性小于-0.4 时，初步提示风

险；
2. 当相关性小于-0.4 时，观测 VIX 当期增长率相较 4 周前增长率的变化处
于过去一年的多少百分位。当百分位处于 70%到 80%间，判定为第一等级风险；
当百分位处于 80%到 90%间，判定为第二等级风险；当百分位大于 90%，判定
为第三等级风险；或当相关性大于-0.4，但处于 95 百分位以上，判定为第二等
级风险；
3. 只有当相关性小于-0.4 以及当期增长率相较 4 周前增长率的变化处于过
去一年历史 70 百分位上，或相关性大于-0.4 以及当期增长率相较 4 周前增长率
的变化处于过去一年历史 95 百分位上，进行风险预警；
 6

总外部环境风险等级

取 S&P500 和 VIX 的风险等级的最大值作为最终总外部环境风险等级，以更全面

的捕获到不同外部指标所代表的隐性风险。

2. 比特币信号融合框架

A. 内部风险指标

基于我们过往的研究，初步选取以下指标来度量比特币的内部风险，并将其分成
长期指标和短期指标。

短期内部风险指标

►Entity-Adjusted MVRV
该指标是当前市值与已实现价值的比值。MVRV 越高，意味着持有大量未实现收
益的持有者就越多，他们出售的可能性就越大，则风险就越高。而 Entity-Adjusted
MVRV 则是 MVRV 的进阶形式，除去了同一用户的不同的地址间的交易对市值的影响，
因此 Entity-Adjusted MVRV 反映了真实的经济活动。

►28-day Market Delta Gradient

现货价格的变动反映了市场上涨或下跌的动量；已实现价格反映了供给中每一个
BTC 最近变动的总价格，已实现价格的急剧上升表明真实的资本流入市场，代表了合
理的可持续价值增长。该指标是由现货价格梯度和已实现价格梯度的差构成，衡量投
机价值与真实资本流入之间动量的相对变化。当该指标为正时，代表市场正处于上涨
动量；反之，处于下跌动量。当该指标处于极端大值，现货价格动量远超真实资本流
入的动量，表明目前风险极高；反之，表明目前风险极低。

►RPV
该指标是以美元本位计算的已实现链上利润除以已实现市值，此比率衡量了每日
获利行为与买方平均成本之差。当比率为 1 时（此前从未发生）表明每一个 BTC 在同
一天都发生了地址变动。从历史上看，该指标达到 2%或以上，市场往往就达到了周期
性顶点。相反，该指标小于等于 0.001% 时，市场就已经在触底的过程中了。

►MVTV
该指标是指市值除以热学市值（即支付给矿工以确保网络的安全的累计美元价
值）。匿名分析师 GeertJancap 对 MVTV 的最佳解释是：MVTV 的比率类似于股票估
值中使用的 EV/EBITA 倍数。MVTV 将当前市值与矿工的累计现金流进行了对比。

►Accumulation score
该指标衡量供需风险。该指标查看（从小鱼到鲸鱼地址）过去 30 天内积累硬币的
情况，并建立一个介于 0 和 1 之间的分数。0 分意味着每个人在过去一个月里都在积累。
这将表明比特币当前供需关系为高需求和低供应。这是一个低风险的环境；1 分意味着
没有人在积累，这表明对 BTC 没有需求，是一个高风险的环境。

►STH-SOPR
该指标是指短期投资者的出售价值除以转入时候的价值。当SOPR大于 1，说明整
个比特币网络的出售价格大于购买价格，投资者处于盈利状态，这个时间点倾向于抛
 7

售做空，比特币价格面临下行压力。随着抛售的数量越来越多，比特币价格下跌，投
资者重新倾向于买入。说明SOPR值总是在 1 附近波动，大于 1 越多，抛售压力越大，
下跌概率也越大。SOPR小于 1，则买入动力越大，比特币价格上涨潜能越好。

►RSI
该指标是根据一定时期内上涨点数和下跌点数之和的比率制作出的一种技术曲线。
能够反映出市场在一定时期内的景气程度。

长期内部风险指标

►Mayer Multiple
该指标为比特币价格与其 200 天移动平均线的比率。该指标衡量了价格偏离其长
期趋势的程度，从一定程度上反映了比特币当前的相对估值水平。当 Mayer Multiple
处于高点，表明市场十分火热。

►BTCD
比特币市值占比，即比特币市值占市场总市值的比例。BTCD 下跌到极低值的时
候，反映市场非常狂热，整体风险上升。

根据指标原理，上述指标（除 BTCD）的较高值都对应了市场的高风险，较低值
都对应了市场的低风险。因此计算每个指标在当期的值占在历史的多少百分位数，如
果逼近 100%，表明高风险；逼近 0%，表明低风险；对于 BTCD，则采用相反的逻辑。

B. 动量系统

我们通过以下步骤创建比特币趋势动量维度的右侧指标：
1. 建立包含 N 条均线的多均线系统，相邻均线的平滑窗口期相差为 1；
2. 根据多均线系统中相邻均线差值的平均距离来划分趋势市、震荡市与极
端市。当平均距离在历史的 45 到 55 百分位区间时，为震荡市；当平均距离小
于历史的 20 或大于 80 百分位时，为极端市；当平均距离大于历史的 20 且小于
45 或大于历史 55 且小于历史 80 百分位时，为趋势市；
3. 在趋势市中使用长均线系统 (即 N 取值较大)，从而延长调仓周期来把握
长期结构；
4. 在震荡市和极端市中使用短均线系统 (即 N 取值较小)，从而缩短调仓周
期以及时调整短期方向；
5. 统计多均线系统中取值为正的均线数量，当有大于或等于 50%的均线取
值为正时，确认上涨趋势，否则确认下跌趋势；

C. 融合动量以及内部风险指标并筛选风险指标

经测试，最终选取 Entity-Adjusted MVRV、28-day Market Delta Gradient、RPV 作

为短期指标，Mayer multiple 和 BTCD 作为长期指标。

其中，MVRV 表现较为优异，28-day Market Delta Gradient 能够较好的捕捉买点信

息，RPV 则不能预防黑天鹅事件。因此，当 28-day Market Delta Gradient 小于等于历史
数据的 20 百分位时，纳入短期内部风险指标，此时，MVRV 占比 50%，28-day Market
Delta Gradient 占比 25%，RPV 占比 25%；当 28-day Market Delta Gradient 大于历史数
据的 20 百分位时，不纳入短期内部风险指标，此时，MVRV 占比 67%，RPV 占比
33%。Mayer multiple 和 BTCD 作为额外的两个长期指标。
 8

最后内部风险指标的值会落在 0 到 1 之间，像处理外部风险指标一样，进行风险
等级划分，具体划分规则如下图。其中，在最后对模型进行回测过程中，BTCD 是按
照历史百分位进行预警，在后续实盘操作过程中，进行人工干预赋值来进行大周期风
险预警。

动量系统则有两个方案，方案一为 30 周均线系统，每周取一个均线，取 30 周；
方案二为 10 周均线系统，每周取一个均线，取 10 周。

3. 以太坊信号融合框架

A. 内部风险指标

基于我们过往的研究，初步选取以下指标来度量以太坊的内部风险。将其分成长
期指标和短期指标。

短期内部风险指标

►RSI
该指标是根据一定时期内上涨点数和下跌点数之和的比率制作出的一种技术曲线。
能够反映出市场在一定时期内的景气程度。

►4 周相邻均线差值均值
根据动量系统发散思维所创建，用来捕捉短期风险。（初始未研发出以太坊的有
效动量系统，所以加入该指标，后研发出有效动量系统，弃用该指标）

长期内部风险指标

►Mayer Multiple
即以太坊价格与其 200 天移动平均线的比率。该指标衡量了价格偏离其长期趋势
的程度，从一定程度上反映了以太坊当前的相对估值水平。当 Mayer Multiple 处于高
点，表明市场十分火热。

►Value per Byte

该指标为以太坊市值与累计以太坊区块大小（反映了以太坊网络的使用需求）比
值。当该指标处于高位，以太坊市值炒作价值高于实际使用价值，表明市场处于高风
险，反之，市场处于低风险。
 9

根据指标原理，上述 4 个指标的较高值都对应了市场的高风险，较低值都对应了
市场的低风险。因此计算每个指标在当期的值占在历史的多少百分位数，如果逼近
100%，表明高风险；逼近 0%，表明低风险；

B. 动量系统

我们通过以下步骤创建以太坊趋势动量维度的右侧指标：
1. 建立包含 N 条均线的均线系统，相邻均线的平滑窗口期相差为 1；
2. 统计多均线系统中相邻均线差值的平均值，当平均值大于等于 0 时，确
认上涨趋势，否则确认下跌趋势；

C. 外部指标

除上述由标普 500 与芝加哥期权交易所波动率指数构造的外部风险指标外，我们

认为在历史中，比特币的短期走势也会影响以太坊的走势，因此我们将比特币的仓位
配比作为以太坊另外的外部风险提示指标。

D. 融合动量以及内部风险指标并筛选风险指标

经测试，最终选取 RPV 作为短期指标，Value per Byte 作为长期指标，Value per

Byte 只用于识别大周期的顶部风险预警以及底部风险买入提示指标。同时发现比特币
仓位并不适用于以太坊的外部风险提示，遂剔除。

最后内部风险指标的值会落在 0 到 1 之间，像处理比特币的风险指标一样，进行
风险等级划分，具体划分规则如下图。其中，长期内部 Value per Byte 风险指标需要在
2018 年 4 月前后进行顶部区分。由于该指标随着时间发生了结构性变化，底部结构保
持不变而顶部结构趋势向下（可能原因为 2017 年以太坊市场极度不理智），如果我们
保持一样的百分位值则会捕捉不到新的顶部风险，遂需要在 2018 年 4 月前后进行顶部
区分。

动量系统则是选取 4 周的均线系统，每周取一个均线，取 4 周。与比特币不同的

是，以太坊没有使用相对较长的均线系统，同时没有区分趋势市、震荡市与极端市。
因为以太坊长期以来上涨趋势动量十分强劲，如果参考长期动量均线系统，则不能识
别一些小波段。
 10

4. Alts 信号融合框架

A. 动量系统

我们通过以下步骤创建以太坊趋势动量维度的右侧指标：
1. 建立包含 N 条均线的均线系统，相邻均线的平滑窗口期相差为 1；
2. 统计多均线系统中取值为正的均线数量，当有大于或等于 50%的均线取
值为正时，确认上涨趋势，否则确认下跌趋势；

B. 外部指标

除上述由标普 500 与芝加哥期权交易所波动率指数搭建的外部风险指标外，我们

认为在历史中，比特币的短期走势同样也会影响 Alts 的走势，因此我们将比特币的仓
位配比作为 Alts 另外的外部风险提示指标。

C. 融合动量

Alts 由于各个项目特性不同、市场复杂度极高，目前无内部技术指标来进行风险
预警。未来如有适当内部指标再进行完善。

Alts 动量系统选取 4 周的均线系统，每周取一个均线，取 4 周。与比特币不同的

是，Alts 的短期波动较大，应该选取较短的动量趋势来识别小波段。

与以太坊相同，发现比特币仓位并不适用于 Alts 的外部风险提示，遂剔除。

5. 基于信号融合框架建立指数择时投资策略

由标普 500 与芝加哥期权交易所波动率指数构建的基金总体外部风险指标共有三

级，当外部风险达到最高等级三，基金总仓位减去 30%；当外部风险达到最高等级二，
基金总仓位减去 20%；当外部风险达到最高等级一，基金总仓位减去 10%。具体仓位
变化如下图，同时需要注意的是，当风险上升时，逐步减仓；当风险下降时，只有回
到无风险等级时，才进行加仓。基金总仓位表示为 P%。

在确定基金总仓位后，根据比特币、以太坊以及 Alts 在 TOP10 总市值里各占多少

市值来判定各子指数的仓位配比 A%、B%、C%。子指数仓位的调整 a%、b%、c%则
是依靠每个子指数的动量系统和内部风险系统。

A. 比特币指数仓位配比调整

比特币指数的仓位调整 a%由多均线动量系统、短期内部风险指标、长期 Mayer

Multiple 内部风险指标以及长期 BTCD 内部风险指标来判定。
 11

首先确定目前的动量趋势，其次根据当前各个内部风险指标的风险等级，计算出
各个指标对应的仓位变化，具体仓位变化如上图。其中，值得注意的点有：1）上涨动
量时，短期内部风险降低时，仓位逐步加回；风险升高时，仓位逐步减去；2）短期内
部风险指标在下降动量趋势中，以及长期内部风险指标无论在任何动量趋势下，风险
降低过程中，只有低到负的风险等级时，才会进行加仓；除了在负的风险等级中的风
险上升不进行减仓操作外，其他风险上升过程中则是逐步减仓。

得出每个风险指标对应的仓位变化后，需要判定当期的初始仓位。如果当期的动
量方向与上一期动量方向一致，当期的初始仓位则为上一期的结束仓位；如果当期的
动量方向与上一期动量方向不一致，则上涨动量与下跌动量分别使用其固定初始仓位，
上涨动量为 100%，下降动量为 0%。

最终比特币指数总的仓位调整 a%为：初始仓位加各个内部风险指标对应的仓位调
整。其中我们会把最终仓位调整 a%归在 0%到 100%之间。而比特币指数的仓位调整后
占比为 A%*a%。

B. 以太坊指数仓位配比调整

以太坊指数的仓位调整 b%由多均线动量系统、短期内部 RSI 风险指标和长期内部

Value per Byte 风险指标来决定。

首先确定目前的动量趋势，其次根据当前各个内部风险指标的风险等级，计算出
各个指标对应的仓位变化，具体仓位变化如下图。其中，值得注意的点有：1）上涨动
量时，短期内部风险降低时，仓位逐步加回；风险升高时，仓位逐步减去；2）短期内
部风险指标在下降动量趋势中，以及长期内部风险指标无论在任何动量趋势下，风险
降低过程中，只有低到负的风险等级时，才会进行加仓；除了在负的风险等级中的风
险上升不进行减仓操作外，其他风险上升过程中则是逐步减仓。
 12

得出每个风险指标对应的仓位变化后，需要判定当期的初始仓位。如果当期的动
量方向与上一期动量方向一致，当期的初始仓位则为上一期的结束仓位；如果如果当
期的动量方向与上一期动量方向不一致，则上涨动量与下跌动量分别使用其固定初始
仓位，上涨动量为 100%，下降动量为 0%。

最终以太坊指数总的仓位调整 b%为：初始仓位加各个内部风险指标对应的仓位调
整。其中我们会把最终仓位调整 b%归在 0%到 100%之间。以太坊指数的仓位调整后占
比为 B%*b%。

C. Alts 指数仓位配比调整
由于 Alts 指数无内部风险指标，所以 Alts 指数的仓位调整 c%完全由多均线动量
系统决定。根据目前的动量趋势值得出对应的仓位，具体仓位如下图。因为 Alts 的多
动量系统为 4 周以及底层数据为周数据，所以动量系统的值只有 3 个：0、50%以及
100%，可直接对应仓位调整 c%。最后，Alts 指数的仓位调整后占比为 C%*c%。

在确定了各指数的仓位调整后占比后，各指数最终占比分别为：P%*A%*a%、
P%*B%*b%、P%*C%*c%。

6. 最大回撤风控模型

加密货币市场以高波动率著称。统计 2016 年 3 月 6 日至 2021 年 12 月 19 日期间

BTC、ETH、Alts 指数以及 Top10 指数的最大回撤（MD）情况，回撤统计如下图所示。
该统计期间内，大约平均每 40 天就会出现一次回调。
 13

从回撤百分位统计数据（下表）可以看到，在 BTC 过去近 6 年的历史中，有 50%

的最大回撤小于 20%，有 25%的最大回撤介于 20%~42%之间，有 25%的最大回撤大于
42%。Top10 指数的最大回撤情况接近 BTC，但 ETH 和 Alts 指数则明显大于 BTC 和
Top10 指数。

由以上可知，即使是从周收盘价来看（忽略了周内波动），加密货币也有较高的
回撤风险，尤其是 ETH 和 Alts 指数（单次最大回撤超过 30%的概率超过 50%）。即使
是分散化投资的 Top10 指数，在平均每 40 天出现的回调中，回调幅度超过 20%的概率
也有 40%，回调幅度超过 30%的概率也有 28%，回调幅度超过 40%的概率有 25%。因
此，在针对指数的主动投资策略中进行最大回撤风控似乎是有必要的。

对最大回撤进行风控可以从两个角度进行。1）从基金净值层面出发，对整体的最
大回撤进行控制，该策略只关注基金整体的净值波动。2）对单个标的的最大回撤进行
控制，即针对 BTC、ETH 和 Alts 指数单独进行风控。

由此，我们形成了两个风控策略。虽然具体参数不同，但两个策略的整体逻辑是
相似的：当基金或标的净值达到一定回撤幅度的时候进行对应的减仓，随后在策略信
号指示风险等级降低到一定程度的时候再逐步加仓。减仓和加仓的阈值将根据对应标
的的最大回撤统计数据设置并进行优化。以下两个表格分别展示两个风控策略模型的
主要参数设置。
 14

基金净值风控模型参数

当前基金净值风控模型的参数设置简要解读：当基金净值回撤达到 5%就减仓至
40%，如果进一步回撤到 15%以上则进一步减仓至 20%, 当发生风控减仓之后，如果下
一期净值回撤值的等级相比上期没有上升，则下一期按照对应的参数值逐步加仓。这
里的 15%和 5%的最大回撤分别是 Top10 指数的历史最大回撤的 50%和 25%百分位值。
最大回撤阈值和调整后仓位比例都是通过参数调优确定。

以基金净值风控模型为例，风控流程的逻辑如下：
1) 判断上一期基金净值的最大回撤值是否超过 15%，如果是，则参照上表
中列 1 的仓位比例，结合本期策略总仓位数值确定最终的总仓位；否则，进入
2）
2) 判断上一期基金净值的最大回撤值是否超过 5%，如果是，再判断本期
则基金净值的最大回撤值是否超过 15%，如果是，则参照上表中列 3 的仓位比
例，结合本期策略总仓位数值确定最终的总仓位；否则，参照上表中列 2 的仓
位比例，结合本期策略总仓位数值确定最终的总仓位；否则进入 3）
3) 判断本期基金净值的最大回撤值是否超过 15%，如果是，则参照上表中
列 3 的仓位比例，结合本期策略总仓位数值确定最终的总仓位；否则进入 4）
4) 判断本期基金净值的最大回撤值是否超过 5%，如果是，则参照上表中
列 4 的仓位比例，结合本期策略总仓位数值确定最终的总仓位；否则，不对本
期策略总仓位进行调整。

案例 a：上期基金净值的最大回撤值是 18%，本期策略总仓位数值为 92%，则本

期总仓位调整为 90%；
案例 b：上期基金净值的最大回撤值是 10%，本期基金净值的最大回撤值是 23%,
本期策略总仓位数值为 90%，则本期总仓位调整为 20%；

单标的风控模型参数
单标的风控流程逻辑跟前述类似，各标的的两个最大回撤阈值分别是各指数历史
最大回撤的 50%和 60%百分位值。最大回撤阈值和调整后仓位比例都是通过参数调优
确定。
 15

三、回测和评价

本文的最后一部分，我们选取从 2016 年 3 月 6 日至 2021 年 12 月 19 日的周历史数

据并对策略模型进行回测。同时为了进一步验证策略适用于不同市场行情和周期，我
们采取了不同年份年初至今的数据来检验策略，时间段为：1）2016 年至今；2）2017
年至今；3）2018 年至今；4）2019 年至今；5）2020 年至今；6）2021 年至今。同时
我们在每个月的最后一周进行调仓。
 16

1. 总回测结果

我们回测的方式为：逐步改变变量，并观测回测结果，选择结果最优的方案作为
最终方案。第二部分中提及的比特币指数的两个动量系统方案、外部风险因素以及最
大回撤控制模型均为可逐步改变的变量。

回测结果如上图，TOP10 指数基准的总收益率为 11,515.37%、年化收益率为

127.27%、年化波动率为 81.56%、最大回撤为 87.87%、年化下偏标准差为 44.22%、夏
普比率为 1.46、索提诺比率为 2.70、斯特林比率为 1.45。不难发现，我们所有的组合
策略的总收益率、年化收益率、夏普比率、索提诺比率、斯特林比率均高于 TOP10 指
数基准，以及最大回撤、年化波动率均小于 TOP10 指数基准。其中，综合各个指标，
我们选出 5 个组合策略作为最终方案（上方图标绿的策略）。这 5 个组合策略各有所
长，比如”单支 ETH 指数策略“的年化收益率高达 264.74%，但其波动率和最大回撤
较大；比如“BTC 采取长期动量_总基金控制回撤模型”的最大回撤只有 22.97%，较
基准回撤降低 283%，但其年化收益率较低，为 137.90%，但仍然高于基准的 127.27%。

以下对上述 5 个组合策略进行重命名及说明：

ETH 融合择时策略（单支 ETH 策略）：ETH 4 周动量系统 + ETH 短期 RSI 内部

风险指标 + ETH 长期 Value per Byte 内部风险指标

指数融合择时策略 1 号（BTC 采取长期动量）：总外部风险指标 +（BTC 30 周动

量系统 + BTC 短期综合内部风险指标 + BTC 长期 Mayer Multiple 内部风险指标 + BTC
长期 BTCD 内部风险指标） + （ETH 4 周动量系统 + ETH 短期 RSI 内部风险指标 +
ETH 长期 Value per Byte 内部风险指标）+ （Alts 4 周动量系统）

指数融合择时策略 2 号（BTC 采取短期动量&不考虑外生风险）：（BTC 10 周动

量系统 + BTC 短期综合内部风险指标 + BTC 长期 Mayer Multiple 内部风险指标 + BTC
长期 BTCD 内部风险指标） + （ETH 4 周动量系统 + ETH 短期 RSI 内部风险指标 +
ETH 长期 Value per Byte 内部风险指标）+ （Alts 4 周动量系统）

指数融合择时策略 3 号（BTC 采取长期动量_总基金控制回撤模型）：总基金控制

回撤模型 + 总外部风险指标 +（BTC 30 周动量系统 + BTC 短期综合内部风险指标 +
BTC 长期 Mayer Multiple 内部风险指标 + BTC 长期 BTCD 内部风险指标） + （ETH 4
周动量系统 + ETH 短期 RSI 内部风险指标 + ETH 长期 Value per Byte 内部风险指标）+
（Alts 4 周动量系统）

指数融合择时策略 4 号（BTC 采取长期动量_子指数控制回撤模型）：子指数控制

回撤模型 + 总外部风险指标 +（BTC 30 周动量系统 + BTC 短期综合内部风险指标 +
BTC 长期 Mayer Multiple 内部风险指标 + BTC 长期 BTCD 内部风险指标） + （ETH 4
周动量系统 + ETH 短期 RSI 内部风险指标 + ETH 长期 Value per Byte 内部风险指标）+
（Alts 4 周动量系统）
 17

2. 各个时间段回测结果

根据上述选取的 5 个组合策略以及 TOP10 指数基准进行不同年份至今各个时间段

的回测，结果如下图。
 18

从各个指标中，选取夏普比率、年化收益率和最大回撤进行不同年份的策略评估。

观测下方夏普比率条形图，不难看出，在所有年份，5 个组合策略都大幅度跑赢
TOP10 指数基准。尤其在 2018 年和 2019 年，表现极为优秀，如 2018 年基准的夏普比
率为 0.12，而 5 个组合策略最低的夏普比率也有 1.09，最高的夏普比率为基准的 12 倍
多。
 19

从年化收益率的角度出发，可以看出 2016 年、2017 年、2018 年、2019 年至今的

组合策略都大幅度跑赢了 TOP10 指数基准，其中单只以太坊指数表现优异。在 2020
年，除“单支 ETH 策略”的其他 4 个组合策略均输于基准策略。在 2021 年，只有
“BTC 采取长期动量+总基金控制回撤模型”组合策略略输于基准。

从最大回撤的角度看，与夏普比率结果相似。除了“单支 ETH 策略”2020 年起始的

回测期以外， 5 个组合策略全面跑赢基准，其中控制了回撤的组合策略更为优秀，如
“BTC 采取长期动量+总基金控制回撤模型”组合策略在 6 个时间段的最大回撤分别为：
22.97%（基准 87.87%）、22.97%（基准 87.87%）、22.97%（基准 87.87%）、22.97%
（基准 55.43%）、16.90%（基准 49.90%）、16.90%（基准 49.90%）。
 20

3. 策略模型评价

通过改变单一变量逐步进行策略模型回测，发现所有组合策略的总收益率、年化
收益率、夏普比率、索提诺比率、斯特林比率均高于 TOP10 指数基准，而最大回撤、
年化波动率均小于 TOP10 指数基准。其中有 5 个组合策略最为优秀，各有所长。

选取这 5 个组合策略进行不同年份的压力测试，结论是我们的组合策略适用在不
同周期，且表现优异。唯一的不足是以 2020 年为起点的回测中，部分组合策略的年化
收益率略低于基准。但所有的组合策略的夏普比率、索提诺比率以及斯特林比率在每
个时段都大于基准，同时最大回撤在各个时段均小于基准。此外，加入了控制最大回
撤模型的组合策略可以完美将各个时间段的回撤控制在 30%以内。

组合策略总结

ETH 融 合 择 时 策 略 ： 年 化 收 益 率 高 达 264.74% （ 相 较 TOP10 指 数 基 准 提 升

108.01%，较 ETH 指数基准提升 51.57%）、最大回撤为 59.11%（相较 TOP10 指数基
准降低了 32.73%，较 ETH 指数基准降低了 36.92%）、夏普比率高达 3.00（相较
TOP10 指数基准提升 105.06%，较 ETH 指数基准提升 112.57%）、索提诺比率高达
8.42（相较 TOP10 指数基准提升 212.36%，较 ETH 指数基准提升 179.69%）、斯特林
比率高达 4.48（相较 TOP10 指数基准提升 209.20%，较 ETH 指数基准提升 140.31%）。
总体而言，收益极高，同时伴随高风险，但风险收益比指标在所有策略中依然十分突
出。适合风险偏好水平高的投资者。

指数融合择时策略 1 号：年化收益率高达 156.35%（相较 TOP10 指数基准提升

22.84%）、最大回撤为 31.66%（相较 TOP10 指数基准降低了 63.97%）、夏普比率高
达 2.82（相较 TOP10 指数基准提升 93.09%）、索提诺比率高达 6.63（相较 TOP10 指
数基准提升 145.95%）、斯特林比率高达 4.94（相较 TOP10 指数基准提升 240.99%）。
总体而言，最大回撤风险控制的较为优秀（略微超出 30%的风控要求），同时在收益
方面也表现优秀，对收益和风险进行了平衡。适合中等风险偏好投资者。

指数融合择时策略 2 号：年化收益率高达 182.70%（相较 TOP10 指数基准提升

43.55%）、最大回撤为 43.65%（相较 TOP10 指数基准降低了 50.33%）、夏普比率高
达 3.10（相较 TOP10 指数基准提升 112.05%）、索提诺比率高达 7.05（相较 TOP10 指
数基准提升 161.52%）、斯特林比率高达 4.19（相较 TOP10 指数基准提升 189.00%）。
总体而言，该策略的年化收益率是所有指数融合择时策略里最优秀的，但对应的最大
回撤风险较高，但风险等级相比 ETH 融合择时策略有明显降低。适合要求高收益同时
能够接受较高风险水平的投资者。

指数融合择时策略 3 号：年化收益率高达 137.90%（相较 TOP10 指数基准提升

8.35%）、最大回撤为 22.97%（相较 TOP10 指数基准降低了 73.86%）、夏普比率高达
2.91（相较 TOP10 指数基准提升 98.94%）、索提诺比率高达 7.48（相较 TOP10 指数基
准提升 177.16%）、斯特林比率高达 6.00（相较 TOP10 指数基准提升 314.48%）。总
体而言，最大回撤风险控制的最为优秀，同时在收益方面也表现良好。适合对风控要
求严格的投资者。

指数融合择时策略 4 号：年化收益率高达 147.74%（相较 TOP10 指数基准提升

16.08%）、最大回撤为 29.84%（相较 TOP10 指数基准降低了 66.04%）、夏普比率高
 21

达 2.75（相较 TOP10 指数基准提升 88.30%）、索提诺比率高达 6.40（相较 TOP10 指

数基准提升 137.28%）、斯特林比率高达 4.95（相较 TOP10 指数基准提升 241.82%）。
类似于指数融合择时策略 1 号，最大回撤风险控制的优秀（满足 30%的风控要求），
同时在收益方面也表现优秀，对收益和风险进行了平衡。适合中等风险偏好投资者。

ETH 融合 指数融合择时策 指数融合择时策 指数融合择时策 指数融合择时策

择时策略 略1号 略2号 略3号 略4号
年化收益率 108% 23% 44% 8% 16%
最大回撤 -33% -64% -50% -74% -66%
夏普比率 105% 93% 112% 99% 88%
索提诺比率 212% 146% 162% 177% 137%
斯特林比率 209% 241% 189% 314% 242%

四、 总结

融合框架具有较强的泛化性，基于融合方向信号的择时策略可以提高各类指数的
收益，降低回撤。同时，通过对不同历史时期的回测，我们认为模型具有较好的稳健
性，在不同的市场行情下表现结果保持一致。

此外，本策略可迭代性较强，在后续研究中如果发现更有效的内部指标，可以融
合到现有的策略，或者对现在指标体系进行替代。

融合策略的潜在不足：1）部分风险指标可能在未来发生结构性变化，当前策略内
的百分位数可能不再适用；2）以太坊与 Alts 的动量趋势长度未来可能会向比特币的动
量靠拢，当前策略内的短均线系统不再适用。

未来可以进一步研究的方向：1）内部风险指标不断优化研究，进行模型迭代，以
更及时地捕捉左侧风险预警；2）其他高阶精密的动量系统测验，如 EMA 均线趋势跟
踪、KAMA、均线斜率等；3）确定 BTCD 作为 Alts 的内部指标；4）优先对 ETH 单标
的投资策略进行进一步研究。
 22

参考链接：

《中金：外生环境、内生结构、趋势动量在收益预测中的有效结合》
https://mp.weixin.qq.com/s/5j9BKQq1zvivRxC_KqCbVQ
《Ecoinometrics - Aggregate Risk》
https://ecoinometrics.substack.com/p/ecoinometrics-aggregate-risk
《ARK 估值比特币系列三：善用成本及盈亏指标主动管理仓位》
https://www.chainnews.com/articles/414709492388.htm