商品基本面量化择时：择时多因子体系
东证衍生品研究院 谢圣
2020年11月
目录
1、基本面量化择时体系
2、单指标择时的方法
3、指标筛选结果
4、多指标组合：预测综合法
5、多指标组合：信息综合法
6、商品多品种回测结果
1、基本面量化择时体系
2019-08-16
2019-07-26
2019-07-05
2019-06-14
（2）量化CTA：高频量价信号为主，日内持仓，较少依赖基本面数据。
2019-05-24
•
2019-04-30
（1）基本面CTA：缺乏量化体系。
2019-04-12
•
2019-03-22
量价数据VS基本面数据
2019-03-01
•
2019-02-01
量化策略分类：多因子策略、择时策略、期权策略
2019-01-11
•
2018-12-21
2018-11-30
2018-11-09
2018-10-19
2018-09-21
2018-08-31
2018-08-10
2018-07-20
2018-06-29
2018-06-08
五亿私募CTA指数累计收益率
2018-05-18
⼗亿私募对冲指数累计收益率
2018-04-27
CTA趋势精选指数累计收益率
2018-04-04
百亿私募混合指数累计收益率
2018-03-16
2018-02-23
2018-02-02
2018-01-12
2017-12-22
2017-12-01
2017-11-10
2017-10-20
2017-09-22
2017-09-01
2017-08-11
2017-07-21
2017-06-30
2017-06-09
2017-05-19
2017-04-28
2017-04-07
2017-03-17
2017-02-24
2017-02-03
2017-01-13
2016-12-23
2016-12-02
2016-11-11
2016-10-21
2016-09-23
2016-09-02
2016-08-12
2016-07-22
2016-07-01
2016-06-08
2016-05-20
2016-04-29
2016-04-08
2016-03-18
2016-02-26
2016-01-29
2016-01-08
1.1、基本面分析与基本面量化
CTA指数历史表现
⼆⼗亿私募股票指数累计收益率
40%
30%
20%
10%
0%
-10%
基本面量化择时的难点
•
（1）如何利用指标进行预测？
•
（2）如何从众多指标中筛选有效的预测指标？
•
（3）指标预测权重的动态变化？
方法论问题：预测综合法VS信息综合法
指标Vector _ markett ¾¾¾
® 价格涨跌Vector _ asset t+1
预测
é Macrot
ù
ê Industry
ú
t
ê
ú
ê Fundamentalt ú
ê
ú
Alternativet ú
Vector _ markett = êê
ú
Stockt
ê
ú
ê Futuret
ú
êOption
ú
t
ê
ú
êë......
úû
商品价格涨跌的原因
什么决定了商品价格的涨跌？
•
（1）估值
估值如何衡量：基差、库存、季节同比等（难以精确）
估值决定了商品价格涨跌的空间
•
（2）驱动因子
商品价格涨跌的驱动因子：去库、产业链上下游、需求、供给冲击等（反映在基本面数据上）
驱动因子决定了商品价格涨跌的方向
理想的交易品种：
（1）低估值+驱动因子强看多（预测波动率高）
（2）高估值+驱动因子强看空（预测波动率高）
•
（3）预测波动率
预测商品价格未来一段时间的波动率，以此预测商品涨跌的幅度
用于不同品种的仓位配置
1.2、 量化择时方法体系——择时多因子
基本面量化择时体系
•
1、单择时因子挖掘：择时因子的批量挖掘，从原始数据到生成择时因子，数据处理、形式变换、周期变换；
•
1.1 特征变换：确定数据的何种形式有预测效力，如绝对值、平均值、环比、同比等。
•
1.2 周期变换：确定择时因子的最优预测周期，比如有的因子时序滞后。
•
2、动态筛选：系统化检验单因子的择时效果，有效的单因子进入择时因子池；
•
2.1 预测法：根据预测值生成择时信号，回测择时表现。
•
2.2 分组法：根据历史分组生成择时信号，回测择时表现。
•
3、多择时因子组合优化：从因子池挑选有效的因子，对多择时因子降维预测形成最终的综合多空信号；
•
3.1 预测综合法：打分法，信号打分综合。
•
3.2 信息综合法：降维预测方法，因子降维形成综合预测。
择时因子批量挖掘流程
主要内容
核⼼⽅法
流程1
基本面数据清洗、规整
--
流程2
数据构建指标
Rank IC确定指标最优周期
流程3
指标⽣成择时信号
回归法、分组法
流程4
择时信号评价
多空回测业绩评价
1.2、基本面量化择时体系
•
数据处理方法：
•
（1）指标频率调整：统一成高频；
•
（2）指标更新延迟调整：滞后一期；
•
（3）季节性调整：不季调VS季调；
•
（4）异常值处理：最新值替代；
基本面高频数据
焦炭期现货价格及价差
焦煤期现货价格及价差
焦煤内外价差
焦炭港口库存
进口炼焦煤港口库存
国内样本炼焦煤矿库存
国内调查钢厂焦炭库存
国内调查钢厂焦炭库存可用天数
国内调查钢厂、焦化厂炼焦煤库存
焦化企业产能利用率及库存
焦炭期货持仓头寸
焦煤期货持仓头寸
钢厂高炉生产及盈利情况
铁矿石期现货价格及价差
1.2、基本面量化择时体系
•
指标构建方法：
•
（1）指标形式：反映哪些层面的信息。
•
（2）时序周期：择时指标的周期nn、有效预测周期mm。
原值 : data t -nn +1
ì
ï
index ( t - nn, t ) = í 差值 : data t - data t -nn
ï变化率 : ( data /data ) - 1
t
t - nn
î
return ( t , t + mm) = pricet +mm / pricet - 1
( nn,mm ) = arg (Max
( RankIC ({index (t - nn, t )}，{return (t, t + mm )}) )
nn,mm )
2、单指标择时的方法
2.1、回归法
•
预测：本文采用Kostakis et al.(2014)的预测回归方法IVX在时间序列上进行预测。
•
（1）OLS回归中残差序列相关以及自相关性都会增加估计偏差；
•
（2）非平稳性：非平稳序列容易产生虚假回归；
•
（3）内生性：指标与收益率相关；
•
（4）长期预测：IVX可对未来mm期进行长期预测。
yt = a + b xt -1 + ut
xt = q + r xt -1 + vt
( u t , vt )
T
! i.i.dN ( 0, S )
s uv æ 1 + 3r ö
æ 1 ö
ˆ
E bOLS - bOLS = - 2 ç
÷ + Oç 2 ÷
sv è T ø
èT ø
(
)
Rt，t + mm = a + b xt -1 + ut
Rt，t + mm = Rt，t +1 +Rt +1，t + 2 +! +Rt + mm -1，t + mm
2.1、回归法
•
生成择时信号：
•
（1）IVX向前预测；
•
（2）根据预测值判断多空。
ŷt +1 = aˆ IVX + bˆIVX xt
ì 1，i f yˆ t +1 > max y
ï
signalt = í0, i f yˆ t +1 Î [ min y, max y ]
ï -1，i f yˆ < min y
t +1
î
2.2、分组法
•
类似portfolio sort test，等分3组检验均值差异。
•
（1）非参数方法不依赖过多假设；
•
（2）两组数据的独立样本t检验来检验分组后收益率的均值是否存在显著差异；
•
（3）显著性水平5%，对应的t统计值临界值为1.65，若样本t统计量绝对值高于临界值，认为该指标显著。
t=
(F - F ) - (µ
1
3
( n1 - 1) S
1
- µ3 )
+ ( n3 - 1) S æ 1 1 ö
ç + ÷
n1 + n3 - 2
è n1 n3 ø
2
1
2
3
H 0：µ1 = µ3
~t ( n1 + n3 - 2 )
2.2、分组法
•
生成信号：
•
（1）根据历史样本分组情况来识别指标对未来收益的影响；
•
（2）根据指标当前所处分组情况生成多空判断。
ì 1，i f x t > x Q1
ïï
signalt = í0, i f x t Î éë x Q1 , x Q 2 ùû
ï
ïî -1，i f x t < x Q 2
3、指标筛选结果
3.1、回归法筛选结果
•
回归法单指标择时效果检验的流程。
•
（1）Step 1:针对某一特定指标，利用较长历史数据确定指标构建的方式，形成预测指标值index(t-nn, t)
以及被预测值return(t, t+mm)。
•
（2）Step 2:进行滚动窗口IVX回归（这里取窗口长度N=300），检验回归结果是否显著，如果回归结果
显著，利用指标t期当前值进行向前一步预测，根据预测值来形成多空信号。
（3）Step 3:利用单指标形成的多空信号进行进行简单的多空回测，评价该单指标形成多空信号的效果。
P值
多空信号
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
19/06
19/04
19/02
18/12
18/10
18/08
18/06
18/04
18/02
17/12
17/10
17/08
17/06
17/04
17/02
16/12
16/10
16/08
16/06
16/04
16/02
15/12
15/10
15/08
15/06
15/04
15/02
14/12
14/10
14/08
14/06
14/04
14/02
13/12
13/10
13/08
13/06
13/04
13/02
-1.0
12/12
•
3.1、回归法筛选结果
•
回归法筛选指标
指标
指标
形式
mm
nn
交易 交易 年化 年化 年化 最⼤ 卡尔 胜率 盈亏 平均 全样 ⽅向 回归
类型 次数 收益 波动 夏普 回撤 玛比
比 持仓 本量 准确 显著
率
率 比率
率
天数
率
率
D1_3
abs
10
20
all
38
26%
27%
0.9
-38%
0.7
50%
1.9
30
1898
58%
72%
W1_5
abs
5
1
long
14
21%
23%
0.9
-38%
0.6
71%
6.4
36
1968
55%
43%
W2_7
abs
40
30
long
23
29%
25%
1.1
-33%
0.9
74%
1.7
17
1371
61%
67%
W3_1
abs
15
1
long
14
38%
34%
1.1
-31%
1.2
64%
3.1
39
1068
55%
93%
W3_1
abs
15
1
all
22
38%
38%
1
-31%
1.2
45%
3.8
33
1068
55%
93%
W8_4
diff
15
15
all
21
44%
32%
1.3
-20%
2.2
57%
2.3
20
728
56%
97%
D6_1
diff
10
10
long
42
29%
26%
1.1
-30%
1
55%
1.8
13
1410
60%
65%
D6_1
diff
10
10
all
66
32%
30%
1.1
-30%
1.1
52%
1.9
11
1410
60%
65%
D6_2
diff
10
10
long
33
33%
26%
1.2
-31%
1
61%
1.9
16
1410
61%
64%
D6_2
diff
10
10
all
58
37%
30%
1.3
-31%
1.2
52%
2.4
13
1410
61%
64%
3.2、分组法筛选结果
•
分组法单指标择时效果检验的流程。
•
（1）Step 1:针对某一特定指标，利用较长历史数据确定指标构建的方式，形成预测指标值index(t-nn, t)
以及被预测值return(t, t+mm)。
•
（2）Step 2:进行滚动窗口分组（窗口长度N=300），这里对指标值进行三等分分组，根据指标逻辑对
当前指标数据处于哪一组来生成多空信号，若处于中间一组则多空信号为0，检验滚动分组的结果进行t检
验，如果t统计量绝对值高于1.65则判定该指标结果显著。
（3）Step 3:利用单指标形成的多空信号进行进行简单的多空回测，评价该单指标形成多空信号的效果。
多空信号
1
0.5
0
-0.5
19/07
19/06
19/05
19/04
19/03
19/02
19/01
18/12
18/11
18/10
18/09
18/08
18/07
18/06
-1
18/05
•
3.2、分组法筛选结果
•
分组法筛选指标
指标
指标
形式
mm
nn
t值
回测
交易
类型
交易
次数
年化
收益
率
年化
波动
率
年化
夏普
比率
最⼤
回撤
卡尔
玛比
率
胜率
盈亏
比
平均
持仓
天数
总样
本量
D2_3
abs
40
10
10.2
all
15
38%
22%
1.7
-18%
2.1
67%
1.7
15
306
W1_5
abs
5
1
-5.7
long
15
15%
16%
0.9
-28%
0.5
67%
2
29
1668
W1_5
abs
5
1
-5.7
all
33
25%
27%
0.9
-37%
0.7
64%
1.6
40
1668
W3_1
diff
20
15
3.1
long
16
19%
23%
0.8
-20%
0.9
69%
1.3
17
753
W8_4
diff
15
15
5.7
long
15
34%
23%
1.5
-19%
1.8
80%
1.5
12
428
W8_4
diff
15
15
5.7
all
25
50%
29%
1.7
-19%
2.7
76%
1.2
12
428
W8_6
abs
10
1
5.4
all
15
42%
27%
1.5
-13%
3.2
87%
4.5
20
443
W8_6
diff
20
15
7.9
all
20
23%
26%
0.8
-21%
1.1
55%
1.8
14
428
W9_4
diff
20
30
7.1
long
29
17%
16%
1
-15%
1.1
72%
2.6
21
1687
4、多指标组合：预测综合法
4.1、显著择时指标的特征
⽅法
指标
指标形
式
mm
nn
交易
类型
交易
次数
总收
益率
年化
收益
率
年化
波动
率
年化
夏普
比率
最⼤
回撤
卡尔
玛比
率
胜率
盈亏
比
平均
持仓
天数
全样
本量
回归法
D1_3
abs
10
20
long
21
234%
17%
24%
0.7
-28%
0.6
50%
1.9
30
1898
分组法
D1_3
abs
10
20
all
67
117%
13%
30%
0.4
-48%
0.3
54%
1.3
17
1898
回归法
W1_5
abs
5
1
long
14
262%
18%
23%
0.8
-38%
0.5
71%
6.4
36
1968
分组法
W1_5
abs
5
1
all
33
341%
25%
27%
0.9
-37%
0.7
64%
1.6
40
1968
回归法
W2_7
abs
40
30
long
23
193%
22%
25%
0.9
-33%
0.7
74%
1.7
17
1371
分组法
W2_7
abs
40
30
all
13
128%
21%
40%
0.5
-72%
0.3
54%
2.2
68
1371
回归法
W3_1
abs
15
1
long
14
169%
26%
34%
0.8
-31%
0.8
64%
3.1
39
1068
分组法
W3_1
abs
15
1
long
8
80%
21%
15%
1.4
-15%
1.4
63%
3.2
19
1068
回归法
W6_1
abs
40
1
all
34
198%
15%
29%
0.5
-50%
0.3
65%
1.4
41
1968
分组法
W6_1
abs
40
1
all
32
220%
19%
30%
0.6
-41%
0.5
63%
1.4
37
1968
回归法
W8_4
diff
15
15
all
21
86%
24%
32%
0.7
-20%
1.2
57%
2.3
20
728
分组法
W8_4
diff
15
15
all
25
100%
50%
29%
1.7
-19%
2.7
76%
1.2
12
728
4.1、显著择时指标的特征
⽅法
指标
指标
形式
mm
nn
回归法
D6_1
diff
10
回归法
D6_1
diff
回归法
D6_2
回归法
卡尔
玛比
率
1
胜率 盈
亏
比
55% 1.8
平均
持仓
天数
13
全样
本量
-30%
1.1
52% 1.9
11
1410
1.2
-31%
1
61% 1.9
16
1410
30%
1.3
-31%
1.2
52% 2.4
13
1410
38%
22%
1.7
-18%
2.1
67% 1.7
15
306
15
42%
27%
1.5
-13%
3.2
87% 4.5
20
443
all
20
23%
26%
0.8
-21%
1.1
55% 1.8
14
428
long
29
17%
16%
1
-15%
1.1
72% 2.6
21
1687
交易
次数
10
回测
交易
类型
long
42
年化
收益
率
29%
年化
波动
率
26%
10
10
diff
10
D6_2
diff
分组法
D2_3
分组法
年化 最⼤
夏普 回撤
比率
1.1 -30%
all
66
32%
30%
1.1
10
long
33
33%
26%
10
10
all
58
37%
abs
40
10
all
15
W8_6
abs
10
1
all
分组法
W8_6
diff
20
15
分组法
W9_4
diff
20
30
1410
4.2、回归法与分组法对比
回归法VS分组法：
（1）本质都是利用相关（Relevance）;
（2）回归法利用线性相关（Linear Correlation）;
（3）分组法利用秩相关（Rank Correlation）。
⽅法
依赖假设
线性关系
逻辑
回归法
IVX预测回归
IVX⽅法假设
是
时间序列预测
分组法
独立样本t检验
收益率正态分布
否
分类器
19/06
19/04
19/02
18/12
18/10
18/08
18/06
18/04
18/02
17/12
17/10
17/08
17/06
17/04
17/02
16/12
16/10
16/08
16/06
16/04
16/02
15/12
15/10
15/08
15/06
15/04
15/02
14/12
14/10
14/08
14/06
14/04
14/02
13/12
13/10
13/08
13/06
13/04
13/02
12/12
12/10
12/08
12/06
12/04
12/02
11/12
11/10
11/08
11/06
焦炭期货历史行情
重点考察2017年以后的择时效果：
（1）2016年前单边市，即使是用动量指标也有较好择时效果;
（2）2017年开始多空切换频繁，择时效果更具说服力。
3000
2500
2000
1500
1000
500
0
4.3、等权平均组合多指标
多空指数
2000
历史业绩表现（当期指标值）：
基本面数据构建指标的择时能
力显著，在不考虑数据公布滞
后的情况下，策略胜率高达
60%，盈亏比2.76，年化夏
普比率1.95，抓住了历史上大
多数趋势性行情。
1500
1000
500
交易类 交易次
型
数
19/07
19/05
19/03
19/01
18/11
18/09
18/07
18/05
18/03
18/01
17/11
17/09
17/07
17/05
17/03
17/01
16/11
16/09
16/07
16/05
16/03
16/01
15/11
15/09
15/07
15/05
15/03
15/01
14/11
14/09
14/07
14/05
14/03
14/01
13/11
13/09
13/07
13/05
13/03
13/01
12/11
12/09
0
盈利次
数
亏损次
数
总收益率
年化收
益率
年化波
动率
年化夏
普比率
最⼤回撤
卡尔玛
比率
胜率
盈亏比
平均持
仓天数
long
45
32
12
954.46%
42.37%
23.15%
1.81
-31.49%
1.35
71.11%
2.49
15.53
short
49
28
21
158.44%
15.30%
19.17%
0.78
-30.95%
0.49
57.14%
2.16
15.88
all
89
54
34
1848.21%
56.10%
28.53%
1.95
-31.49%
1.78
60.67%
2.76
16.22
19/07
19/04
19/01
18/10
18/07
18/04
18/01
17/10
17/07
17/04
17/01
16/10
16/07
16/04
16/01
多空指数
15/10
15/07
15/04
15/01
14/10
14/07
100
14/04
300
14/01
500
13/10
600
13/07
800
13/04
1000
13/01
1100
12/10
19/06
19/03
18/12
18/09
18/06
18/03
17/12
17/09
17/06
17/03
16/12
16/09
16/06
16/03
15/12
15/09
15/06
15/03
14/12
14/09
14/06
14/03
13/12
13/09
13/06
13/03
12/12
12/09
4.3、等权平均组合多指标
滞后一期的表现：
2012年9月以来年化收益36.89%，年化波动率29.72%，最大回撤-36.21%，年化夏普比率1.23，卡尔玛
比率1.02，胜率49.44%，盈亏比2.21，平均持仓周期16.22个交易日，策略总体风险收益指标优于朝阳
永续CTA趋势精选指数，择时表现优异。
2.00E+07
每次盈亏
900
1.50E+07
1.00E+07
700
5.00E+06
400
0.00E+00
-5.00E+06
200
-1.00E+07
0
-1.50E+07
4.3、等权平均组合多指标
等权平均组合滞后一期的表现：
（1）总体择时表现较好；
（2）典型的趋势跟踪策略特征；
（3）问题在于回撤较大。
交易
类型
交易
次数
盈利
次数
亏损
次数
总收益率
年化收益
率
年化波
动率
年化夏
普比率
最⼤回撤
卡尔
玛比
率
胜率
盈亏
比
平均
持仓
天数
long
45
22
22
448.86%
29.09%
24.23%
1.18
-30.01%
0.97
48.89%
2.96
15.53
short
49
21
28
42.44%
5.45%
17.60%
0.29
-34.35%
0.16
42.86%
1.91
15.88
all
89
44
45
711.61%
36.89%
29.72%
1.23
-36.21%
1.02
49.44%
2.21
16.22
4.4、风险平价组合多指标
风险平价组合滞后一期的表现：
（1）风险平价效果并不如等权组合好；
（2）正确的方法在于加大高波动率指标的权重，并用止盈止损等方式控制回撤。
交易
类型
交易
次数
盈利
次数
亏损次
数
总收益
率
年化收
益率
年化波
动率
年化夏
普比率
最⼤回
撤
卡尔玛
比率
胜率
盈亏比
平均持
仓天数
long
41
19
21
248.17%
20.57%
25.83%
0.78
-34.54%
0.60
46.34%
2.81
20.34
short
42
24
18
99.94%
10.95%
19.23%
0.55
-34.98%
0.31
57.14%
1.30
21.81
all
69
38
31
691.70%
36.38%
31.48%
1.14
-37.97%
0.96
55.07%
1.76
24.16
5、多指标组合：信息综合法
5.1 量化择时方法体系
5.1 量化择时方法体系
• 一、单择时因子挖掘：择时因子的批量挖掘，从原始数据到生成择时因子，数据处理、形式变换、周期变换；
• 1.1 形式变换：确定数据的何种形式有预测效力，如绝对值、平均值、环比、同比等
• 1.2 周期变换：确定择时因子的最优预测周期
• 二、单择时因子有效性检验：系统化检验单因子的择时效果，有效的单因子进入择时因子池；
• 2.1 预测法：根据预测值生成择时信号，回测择时表现
• 2.2 分组法：根据历史分组生成择时信号，回测择时表现
• 三、多择时因子组合优化：从因子池挑选有效的因子，对多择时因子降维预测形成最终的综合多空信号；
• 3.1 预测综合法：打分法，信号打分综合
• 3.2 信息综合法：降维预测方法，因子降维形成综合预测
5.2、充分降维预测SF
yt +1 = h (f1¢ ft ,!, fL¢ ft , e t +1 )
X it = bi¢ ft + uit，1 £ i £ p
Y：资产的收益率
X：可观测到的数据（Observable Data）
F：不可观测的因子（Latent Factor）
X是我们从数据中挖掘到的择时指标（相关性高、低）
F是资产收益率的真实驱动因子
目的：找到每一期对资产收益率真实的、影响最大的驱动因子，形成对未来收益率的
预测
5.2、充分降维预测SF
yt +1 = h (f1¢ ft ,!, fL¢ ft , e t +1 )
X it = bi¢ ft + uit，1 £ i £ p
类似“深度学习”的四层结构，充分预测变量是估计得到的
5.2、充分降维预测SF
SF降维预测的流程
Step 1：首先利用单指标择时的方法，系统筛选对价格有预测能力的择时因子，并剔除一些预测能力过弱的择时
因子（只是为了减少计算量），得到预测因子矩阵X（N*P维），这里的P一般而言较大（P超过10），需要进行
降维；
Step 2：针对P维的择时因子X（N*P维矩阵）以及收益率Y（N*1维矩阵），选取N（取N=300）个交易日的动
态历史窗口，利用Sufficient Forecast降维，取特征值显著不为0的K个特征向量构成充分预测指数（SFI）；
Step 3：利用Y对SFI进行IVX多元回归，但会严格剔除回归不显著（单变量检验显著性低于5%）的单变量（结果
是剩下的维数K较小，最大也没超过9），仅利用显著的SFI变量做IVX多元回归，利用估计的回归系数向前一步预
测收益率，利用预测收益率的正负判断多空，生成择时多空信号；
Step 4：利用择时多空信号进行历史多空回测，评估降维生成SFI指标的预测效果。
焦炭基本面因子降维预测
指标
指标形
式
mm
nn
回测交
易类型
交易次
数
年化收
益率
年化波
动率
年化夏
普比率
最⼤回
撤
卡尔玛
比率
胜率
盈亏比
平均持
仓天数
总样本
量
D1_3
abs
20
15
all
35
27%
29%
0.9
-37%
0.7
60%
1.4
36
1923
D4_9
ma
20
30
all
11
27%
32%
0.8
-33%
0.8
64%
1.9
53
1142
D5_9
diff
20
1
all
79
18%
18%
1.0
-22%
0.8
58%
1.2
3
1141
D6_1
diff
20
10
all
58
21%
27%
0.8
-31%
0.7
60%
1.1
12
1430
D6_2
diff
20
10
all
69
26%
27%
0.9
-31%
0.8
57%
1.3
11
1430
W1_5
ma
20
1
all
35
27%
23%
1.2
-33%
0.8
69%
3.3
30
1988
W2_7
abs
20
15
all
18
26%
28%
0.9
-36%
0.7
61%
1.6
31
1406
W3_1
abs
20
1
all
17
37%
39%
0.9
-38%
1.0
41%
7.3
44
1088
W8_4
diff
20
15
all
17
35%
33%
1.1
-31%
1.1
71%
1.6
25
748
W8_5
abs
20
1
all
17
19%
28%
0.7
-24%
0.8
47%
3.0
22
763
W9_2
diff
20
15
all
42
14%
22%
0.6
-48%
0.3
48%
1.9
18
1712
W9_3
abs
20
30
all
25
17%
25%
0.7
-35%
0.5
56%
1.4
26
1506
W9_4
abs
20
30
all
38
19%
24%
0.8
-46%
0.4
61%
1.0
30
2045
W9_5
ma
20
1
all
14
21%
27%
0.8
-37%
0.6
50%
2.1
72
1727
焦炭基本面择时因子降维效果
SIR降维的第1维SDR
SIR降维的第3维SDR
SIR降维的第2维SDR
SIR降维的第4维SDR
40
19/09
19/08
19/07
19/06
19/05
19/04
19/03
19/02
19/01
18/12
18/11
18/10
18/09
18/08
18/07
18/06
18/05
18/04
18/03
18/02
18/01
17/12
17/11
17/10
17/09
信号
17/08
17/07
17/06
17/05
17/04
17/03
17/02
17/01
16/12
16/11
16/10
16/09
16/08
16/07
16/06
16/05
16/04
16/03
16/02
16/01
15/12
15/11
15/10
15/09
15/08
15/07
15/06
15/05
15/04
15/03
15/02
15/01
择时信号与净值
净值
7
6
5
4
3
2
1
-10%
多因子组合优化：降维预测方法
交易类 交易次 总收益 年化收 年化波 年化夏 最⼤回 卡尔玛
型
数
率
益率
动率 普比率
撤
比率
胜率
long
187
325.2%
37.1%
23.9%
1.53
-33.9%
1.09
55.6%
1.33
3.40
short
180
123.3%
19.1%
20.4%
0.92
-22.8%
0.84
52.8%
1.34
3.58
all
259
538.4%
49.7%
26.9%
1.83
-33.9%
1.47
57.9%
1.22
3.79
41
盈亏比 平均持
仓天数
5.3、焦炭基本面因子降维预测：信号优化
主要改进：
（1）降维预测后，基本面信号更加灵敏，信号胜率更高。
（2）叠加量价信号，降低了回撤，提高了胜率。
未来改进：
（1）量价信号优化；
（2）叠加震荡过滤器；
（3）止盈止损。
交易
类型
交易
次数
总收
益率
年化
收益
率
年化
波动
率
年化
夏普
比率
最⼤
回撤
卡尔
玛比
率
交易
胜率
盈亏
比
平均
持仓
天数
long
27
1147%
57.96%
20.14%
2.86
-15.19%
3.82
74.07%
3.86
18.6
short
28
317%
29.54%
18.18%
1.60
-26.03%
1.14
82.14%
2.46
17.8
all
55
4862%
102.86%
26.91%
3.81
-16.88%
6.09
78.18%
3.83
18.1
43
20/09
20/06
20/03
19/12
19/09
19/06
19/03
18/12
18/09
18/06
18/03
17/12
17/09
17/06
17/03
16/12
16/09
16/06
16/03
15/12
15/09
15/06
15/03
焦炭基本面量化策略净值
50
40
30
20
10
0
20/10
20/09
20/08
多空信号
20/07
20/06
20/05
20/04
20/03
20/02
20/01
2020年择时信号的表现
净值
2
1.8
1.6
1.4
1.2
1
-10%
5.4、讨论：趋势的True Beta
（1）真实的True Beta
真正的Beta很难去刻画，资产价格的涨跌受多方面因素的影响。维度之高甚至已有数据都难以覆盖。
我们只能尽量从一些维度去找有高相关性的择时因子。
（2）寻找True Beta
我们认为有效的寻找True Beta方式是从多个不同的维度去交叉验证，比如多个维度的基本面指标覆盖
供需、产业链上下游，比如本文“基本面”+“量价”共同识别趋势。
（3）择时应用中的难点
（a）基本面预期数据：基本面分析师对基本面数据的“一致预期”可能差异巨大。
（b）部分基本面数据难以获得：比如一些需求端数据。
（c）预测价格的跳跃：一些基本面shock带来的价格jump难以用结构化的方法预测。
对比：择时多因子VS横截面多因子
•
择时多因子体系的优势：
•
（1）逐一寻找单个品种的异质性因子（不同品种驱动因素不一，完全依赖common factor利用信息较
少）；
•
（2）纯粹聚焦在时间序列上的预测性：基于最新的基本面指标值预测未来收益（横截面多因子隐含假设
过去表现好的因子未来也会好，但本质需要“因子择时”）。
•
（3）框架的完整性：里面可以融合非线性预测因子、长短周期预测因子、不同形式的预测因子等等，框
架兼容性更强。
•
（4）更接近本质：预测收益率的数值排序，可用于大类资产配置，超配强烈看多、看空的品种（如商品
组合、50指数增强）；
总结
基本面量化择时：
（1）基本面数据可用于中长期择时，且择时表现优异。
（2）即使是简单的线性预测，依然能取得较好的效果。
（3）多维度择时指标的组合：解决“降维”问题可以进一步改进择时表现。
降维有两个作用：（1）实现了因子空间的变换；（2）将主要信息集中到少数变量
中，提升了预测效率。
（4）“基本面”+“量价”共同判断提高胜率。
6、商品多品种回测结果
基本面量化覆盖品种
⿊⾊
焦炭、铁矿⽯、螺纹钢、HC、JM、SM
有⾊
铜、铝、镍、锌、铅
能化
原油、FU、RU、LPG、ZC、L、PP、MA、PTA、EG、EB、
BU、PF、UR
油脂
棕榈油、⾖油
非⾦属建材
农产品
玻璃、PVC
⽟米、白糖、棉花、⾖⼀、苹果、鸡蛋
6.1、黑色
6.2、有色
6.3、能化
6.4、油脂
6.5、非金属建材
6.6、农产品
THANKS