智AI科技慧投未來(lái)

1、目錄 HYPERLINK l _TOC_250004 一、商品因子應(yīng)用 4 HYPERLINK l _TOC_250003 二、商品因子表現(xiàn) 5 HYPERLINK l _TOC_250002 三、AI 模型的應(yīng)用 18 HYPERLINK l _TOC_250001 四、AI 模型預(yù)測(cè)能力探索 27 HYPERLINK l _TOC_250000 五、附錄 31圖表目錄圖 1:商品因子的應(yīng)用圖景 5圖 2:時(shí)序基礎(chǔ)因子（可投資的）累計(jì)收益率 6圖 3:展期收益率的計(jì)算原理（原則上貼水越深展期收益率越大） 7圖 4:價(jià)值因子計(jì)算示例 8圖 5:各塊累計(jì)收益率表現(xiàn) 9圖 6:2020 年板塊收益

2、率以及月均持倉(cāng)金額增長(zhǎng)情況 9圖 7:2020 年價(jià)值因子正向暴露板塊的權(quán)重 9圖 8:2020 年價(jià)值因子反向暴露板塊的權(quán)重 9圖 9:截面因子（不可投資的）累計(jì)收益率 10圖 10:2020 年 Curve 因子正向暴露板塊的權(quán)重 10圖 11:2020 年對(duì) Curve 因子反向暴露板塊的權(quán)重 10圖 12:2020 年期限結(jié)構(gòu)因子正向暴露板塊的權(quán)重 11圖 13:2020 年期限結(jié)構(gòu)因子反向暴露板塊的權(quán)重 11圖 14:2020 年動(dòng)量因子正向暴露板塊的權(quán)重 11圖 15:2020 年動(dòng)量因子反向暴露板塊的權(quán)重 11圖 16:2020 年波動(dòng)率因子正向暴露板塊的權(quán)重 12圖 17:20

3、20 年波動(dòng)率因子反向暴露板塊的權(quán)重 12圖 18:2020 年持倉(cāng)因子正向暴露板塊的權(quán)重 12圖 19:2020 年持倉(cāng)因子反向暴露板塊的權(quán)重 12圖 20:2020 年偏度因子正向暴露板塊的權(quán)重 13圖 21:2020 年偏度因子反向暴露板塊的權(quán)重 13圖 22:2020 年流動(dòng)性因子正向暴露板塊的權(quán)重 13圖 23:2020 年流動(dòng)性因子反向暴露板塊的權(quán)重 13圖 24:2020 年均價(jià)突破因子正向暴露板塊的權(quán)重 14圖 25:2020 年均價(jià)突破因子反向暴露板塊的權(quán)重 14圖 26:2020 年美元指數(shù) Beta 因子正向暴露板塊的權(quán)重 14圖 27:2020 年美元指數(shù) Beta 因

4、子反向暴露板塊的權(quán)重 14圖 28:2020 年對(duì)美元指數(shù)因子暴露較大的品種 15圖 29:2020 年對(duì)中國(guó) CPI 因子暴露較大的品種 15圖 30:2020 年 CPI Beta 因子正向暴露板塊的權(quán)重 15圖 31:2020 年 CPI Beta 因子反向暴露板塊的權(quán)重 15圖 32:時(shí)序基礎(chǔ)風(fēng)格因子收益率相關(guān)系數(shù) 16圖 33:截面風(fēng)格因子收益率相關(guān)系數(shù) 16圖 34:全部截面因子之間保持較低相關(guān)性 17表格 1:華泰商品，股票因子組的構(gòu)成 17圖 35:滬深 300 樣本截面因子解釋力 18圖 36:商品全市場(chǎng)樣本截面因子解釋力 18表格 2:原始數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（回

5、歸分析） 20表格 3:原始數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（分類(lèi)） 21表格 4:短周期數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（回歸） 22表格 5:短周期數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（分類(lèi)） 23表格 6:長(zhǎng)周期數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（回歸） 24表格 7:長(zhǎng)周期數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（分類(lèi)） 25圖 37:不同周期因子 MSE 排名（分類(lèi)） 26圖 38:不同周期因子 RSS 排名（分類(lèi)） 26圖 39:不同周期因子最小分裂節(jié)點(diǎn)排名（分類(lèi)） 26表格 8:隨機(jī)森林預(yù)測(cè) T+1 周表現(xiàn)（回歸） 28表格 9:隨機(jī)森林預(yù)測(cè) T+1 周表現(xiàn)總結(jié)（回歸） 28表格 10:隨機(jī)森林預(yù)測(cè) T

6、+2 周表現(xiàn)（回歸） 29表格 11:隨機(jī)森林預(yù)測(cè) T+2 周表現(xiàn)總結(jié)（回歸） 29表格 12:深度神經(jīng)網(wǎng)絡(luò)多步預(yù)測(cè)勝率(%)結(jié)果 30表格 13:華泰商品，股票因子代碼附錄 31一、 商品因子應(yīng)用我們?cè)谀陥?bào)上篇中詳細(xì)地介紹了基礎(chǔ)因子和截面因子這兩個(gè)不同的概念，而這兩套因子也有著不同的應(yīng)用場(chǎng)景：1） 時(shí)序基礎(chǔ)因子（可以直接投資）我們已經(jīng)在去年推出了可以復(fù)制的動(dòng)量、期限結(jié)構(gòu)兩套風(fēng)格因子指數(shù)。指數(shù)的歷史表現(xiàn)是可以在 wind 上直接查詢(xún)到，它們?cè)诮衲昃邢喈?dāng)可觀的收益表現(xiàn)，策略可以復(fù)現(xiàn)。附 Wind 代碼：華泰商品動(dòng)量 HTCI0101.WI華泰農(nóng)產(chǎn)品動(dòng)量 HTCI0102.WI華泰工業(yè)品動(dòng)量 H

7、TCI0103.WI華泰能化動(dòng)量 HTCI0104.WI華泰商品期限結(jié)構(gòu) HTCI0201.WI華泰農(nóng)產(chǎn)品期限結(jié)構(gòu) HTCI0202.WI華泰工業(yè)品期限結(jié)構(gòu) HTCI0203.WI華泰能化期限結(jié)構(gòu) HTCI0204.WI同時(shí)因子對(duì)中高頻交易也具有指導(dǎo)作用，通過(guò)日度更新各個(gè)期貨品種的風(fēng)格暴露數(shù) 據(jù)，每日給出時(shí)序基礎(chǔ)因子策略的多空策略持倉(cāng)，可以對(duì)投資選取商品品種提供支 持；而風(fēng)格因子收益率則均可達(dá)到即時(shí)跟蹤。同時(shí)在基礎(chǔ)因子的基礎(chǔ)上，也支持我們對(duì)多因子策略、因子擇時(shí)的交易策略進(jìn)行深入研究，發(fā)掘更有效的多因子策略。2) 截面因子截面因子在計(jì)算風(fēng)險(xiǎn)矩陣、跟蹤收益來(lái)源上有天然的優(yōu)勢(shì)。運(yùn)用截面因子可以提供全

8、市場(chǎng)、各個(gè)板塊以及不同品種主導(dǎo)因素的跟蹤。盡管截面因子本身不可投資，但是因?yàn)槠涞讓拥募円蜃樱╬ure factor）設(shè)計(jì)，我們可以捕捉到全市場(chǎng)內(nèi)相互獨(dú)立的風(fēng)格收益來(lái)源，也可以對(duì)已有投資組合進(jìn)行準(zhǔn)確的業(yè)績(jī)歸因和組合風(fēng)險(xiǎn)預(yù)判。同時(shí)截面因子還可以為敏感性分析、壓力測(cè)試等風(fēng)險(xiǎn)管理工具提供數(shù)據(jù)基礎(chǔ)。需要特別指出，這些更高層次的精細(xì)化商品投資模式在離開(kāi)截面多因子模型的情況下，都是難以實(shí)現(xiàn)的。圖1: 商品因子的應(yīng)用圖景數(shù)據(jù)來(lái)源：華泰期貨研究院回到算法開(kāi)發(fā)角度，人工智能算法是典型的非線性方法。其應(yīng)用到投資領(lǐng)域的切入 點(diǎn)，并非局限于最近歷史的行情表現(xiàn)，做簡(jiǎn)單線性外推；而是通過(guò)學(xué)習(xí)歷史上最接近于目前市場(chǎng)場(chǎng)景時(shí)，不

9、同市場(chǎng)因素對(duì)標(biāo)的物的復(fù)雜價(jià)格傳導(dǎo)模式，各種風(fēng)格影響的強(qiáng)弱切換等特征，來(lái)對(duì)當(dāng)前市場(chǎng)標(biāo)的物的未來(lái)走勢(shì)做出預(yù)判。而數(shù)據(jù)是模型成功的關(guān) 鍵。截面因子組收益率分解了市場(chǎng)系統(tǒng)性風(fēng)險(xiǎn)敞口，其中包含的信息都具有堅(jiān)實(shí)的經(jīng)濟(jì)學(xué)基礎(chǔ)，這樣高質(zhì)量的數(shù)據(jù)顯然可以幫助算法更快的學(xué)習(xí)到更有用的信息，從而有機(jī)會(huì)對(duì)市場(chǎng)預(yù)測(cè)達(dá)到更高的準(zhǔn)確率。本文將在后面章節(jié)展示人工智能算法對(duì)商品板塊重要因子影響力判斷以及周度收益率預(yù)測(cè)上的表現(xiàn)。二、 商品因子表現(xiàn)本章我們結(jié)合商品市場(chǎng)，多角度對(duì)比時(shí)序基礎(chǔ)因子與截面因子的表現(xiàn)。時(shí)序基礎(chǔ)因子具有可投資性，而在 11 個(gè)因子中，價(jià)值因子與期限結(jié)構(gòu)因子表現(xiàn)最好，具有長(zhǎng)期穩(wěn)定的正向收益。圖2: 時(shí)序基礎(chǔ)因子

10、（可投資的）累計(jì)收益率數(shù)據(jù)來(lái)源：Wind 天軟 華泰期貨研究院為保持論述完整性，我們不妨重新審視期限結(jié)構(gòu)因子與價(jià)值因子的編制方式：期限結(jié)構(gòu)因子：現(xiàn)貨與期貨的價(jià)格差異，即基差（basis），與現(xiàn)貨的庫(kù)存水平、持有成本（包括交通、 倉(cāng)儲(chǔ)以及保險(xiǎn)費(fèi)用等）、市場(chǎng)利率（購(gòu)買(mǎi)現(xiàn)貨的融資成本）以及持有現(xiàn)貨的便利收益（convenience yield）等因素相關(guān)。假設(shè)基差水平全部反應(yīng)了庫(kù)存、持有成本、利率及便利收益等因素；升水市場(chǎng)中，商品供給充足，持有現(xiàn)貨頭寸至升水合約交割月份，覆蓋持有成本，并賣(mài)出現(xiàn)貨獲利，因此升水合約價(jià)格在其它條件不變的情況下，價(jià)格下跌，且隨著時(shí)間的推移向現(xiàn)貨價(jià)格靠攏。反之，貼水市場(chǎng)中，

11、商品供給不足，現(xiàn)貨便利收益高于持有成本，貼水期貨合約在其它條件不變的情況下，價(jià)格升高，且隨著時(shí)間的推移向現(xiàn)貨價(jià)格靠攏。因此，利用展期收益來(lái)判斷市場(chǎng)的升貼水結(jié)構(gòu)，并構(gòu)建多空組合，即買(mǎi)入展期收益最高的一籃子期貨合約，賣(mài)出展期收益最低的一籃子期貨合約，持有各商品的主力合約組合可獲得期限結(jié)構(gòu)的展期收益。期限結(jié)構(gòu)因子：Ptc,domPc,spot Rollc = ln( t) t365tc,dom tc,spot其中Pc,spot和Pc,dom分別為在 t 時(shí)刻期貨品種 c 的近月合約價(jià)格和主力合約價(jià)格，t和ttc,spottc,dom分別為期貨品種近月合約到期日剩余天數(shù)和期貨品種 c 主力合約到期日剩

12、余天數(shù)。圖3: 展期收益率的計(jì)算原理（原則上貼水越深展期收益率越大）數(shù)據(jù)來(lái)源：Wind 天軟 華泰期貨研究院價(jià)值因子：在權(quán)益市場(chǎng)中，著名的 Fama-French 三因子模型中使用的價(jià)值因子是提取市凈率相對(duì)較低的公司對(duì)市盈率相對(duì)較高公司的風(fēng)險(xiǎn)溢價(jià)，而在商品市場(chǎng)中供需是評(píng)判價(jià)值的重要指標(biāo)。所以，可以使用價(jià)格上升潛力較高（庫(kù)存水平較低）的品種對(duì)潛力相對(duì)較低（庫(kù)存水平較高）品種的風(fēng)險(xiǎn)溢價(jià)作為價(jià)值因子。但是庫(kù)存數(shù)據(jù)較難及時(shí)獲取，量化指標(biāo)計(jì)算中可以使用期貨期限結(jié)構(gòu)曲線的近月合約溢價(jià)程度作為替代指標(biāo)。遠(yuǎn)月貼水越深的品種，在近月的供需相對(duì)更為緊張，因此具有更大的價(jià)格上漲潛力，而遠(yuǎn)月升水越強(qiáng)的品種，相對(duì)上漲潛

13、力較小，這與期限結(jié)構(gòu)因子的底層邏輯一致。但是價(jià)值因子使用的合約有所不同，因?yàn)榇笞谏唐菲毡榇嬖诩竟?jié)性因素（seasonal），所以對(duì)于供需狀況的比較需要使用同期相比的方式來(lái)去除某些品種價(jià)格可能包含的季節(jié)性波動(dòng)。最終，現(xiàn)貨溢價(jià)程度使用期貨曲線上第一個(gè)合約與未來(lái)一年合約之間的斜率衡量。價(jià)值因子：c t12Pc,spotvalue = ln() Ptc,near_1yttc,near_1y tc,spot其中Pc,spot和Pc,near_1y分別為在t時(shí)刻期貨品種 c 的近月合約（現(xiàn)貨）價(jià)格和距到期最接近tt一年的合約價(jià)格。tc,near_1y和tc,spot為期貨品種 c 距到期期限最接近一年的合

14、約的到期日剩余月數(shù)。圖4: 價(jià)值因子計(jì)算示例數(shù)據(jù)來(lái)源：Wind 天軟 華泰期貨研究院本質(zhì)上，貼水越深的品種在期限結(jié)構(gòu)因子與價(jià)值因子上暴露較大。而根據(jù)價(jià)值因子的時(shí)序基礎(chǔ)因子策略每月選出的 5 個(gè)多頭品種與 5 個(gè)空頭品種的板塊分布權(quán)重上看，黑色建材板塊在今年主要正向暴露給了價(jià)值因子，農(nóng)產(chǎn)品和能化板塊反向暴露給價(jià)值因子，而對(duì)應(yīng)到今年各板塊的收益率表現(xiàn)，黑色建材板塊累計(jì)收益最大，能化板塊是唯一的負(fù)收益板塊，所以?xún)r(jià)值因子的具有相當(dāng)大的風(fēng)格因子投資潛力。圖5: 各塊累計(jì)收益率表現(xiàn)圖6: 2020 年板塊收益率以及月均持倉(cāng)金額增長(zhǎng)情況數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院圖7: 20

15、20 年價(jià)值因子正向暴露板塊的權(quán)重圖8: 2020 年價(jià)值因子反向暴露板塊的權(quán)重?cái)?shù)據(jù)來(lái)源：天軟 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院截面因子對(duì)比時(shí)序基礎(chǔ)因子，增加了國(guó)家因子和板塊因子。截面因子反映時(shí)序因子去除共線性之后得因子表現(xiàn)，但其收益率不可復(fù)現(xiàn)。圖9: 截面因子（不可投資的）累計(jì)收益率數(shù)據(jù)來(lái)源：Wind 天軟 華泰期貨研究院所有時(shí)序基礎(chǔ)因子策略每月選出了 5 個(gè)多頭品種、5 個(gè)空頭品種，各板塊的分布權(quán)重如下：圖10: 2020 年 Curve 因子正向暴露板塊的權(quán)重圖11: 2020 年對(duì) Curve 因子反向暴露板塊的權(quán)重?cái)?shù)據(jù)來(lái)源：天軟 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究

16、院圖12: 2020 年期限結(jié)構(gòu)因子正向暴露板塊的權(quán)重圖13: 2020 年期限結(jié)構(gòu)因子反向暴露板塊的權(quán)重?cái)?shù)據(jù)來(lái)源：天軟 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院圖14: 2020 年動(dòng)量因子正向暴露板塊的權(quán)重圖15: 2020 年動(dòng)量因子反向暴露板塊的權(quán)重?cái)?shù)據(jù)來(lái)源：天軟 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院圖16: 2020 年波動(dòng)率因子正向暴露板塊的權(quán)重圖17: 2020 年波動(dòng)率因子反向暴露板塊的權(quán)重?cái)?shù)據(jù)來(lái)源：天軟 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院圖18: 2020 年持倉(cāng)因子正向暴露板塊的權(quán)重圖19: 2020 年持倉(cāng)因子反向暴露板塊的權(quán)重?cái)?shù)據(jù)來(lái)源：天軟 華泰期

17、貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院圖20: 2020 年偏度因子正向暴露板塊的權(quán)重圖21: 2020 年偏度因子反向暴露板塊的權(quán)重?cái)?shù)據(jù)來(lái)源：天軟 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院圖22: 2020 年流動(dòng)性因子正向暴露板塊的權(quán)重圖23: 2020 年流動(dòng)性因子反向暴露板塊的權(quán)重?cái)?shù)據(jù)來(lái)源：天軟 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院圖24: 2020 年均價(jià)突破因子正向暴露板塊的權(quán)重圖25: 2020 年均價(jià)突破因子反向暴露板塊的權(quán)重?cái)?shù)據(jù)來(lái)源：天軟 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院圖26: 2020 年美元指數(shù) Beta 因子正向暴露板塊的權(quán)重圖27: 2020

18、 年美元指數(shù) Beta 因子反向暴露板塊的權(quán)重?cái)?shù)據(jù)來(lái)源：天軟 Wind 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 Wind 華泰期貨研究院長(zhǎng)期來(lái)看，在 Beta 因子上暴露較大的品種變化不大。下圖是 2020 年 1-10 月，不同商品品種在相應(yīng)因子策略多頭組合中出現(xiàn)的頻率。圖28: 2020 年對(duì)美元指數(shù)因子暴露較大的品種圖29: 2020 年對(duì)中國(guó) CPI 因子暴露較大的品種數(shù)據(jù)來(lái)源：天軟 Wind 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 Wind 華泰期貨研究院圖30: 2020 年 CPI Beta 因子正向暴露板塊的權(quán)重圖31: 2020 年 CPI Beta 因子反向暴露板塊的權(quán)重?cái)?shù)據(jù)來(lái)源：天軟 Win

19、d 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 Wind 華泰期貨研究院時(shí)序基礎(chǔ)因子策略中，動(dòng)量因子和均價(jià)突破因子、期限結(jié)構(gòu)因子與價(jià)值因子保持了較高的相關(guān)性。截面因子策略中，風(fēng)格因子間相關(guān)性基本消除，每個(gè)因子表征了相對(duì)獨(dú)立的風(fēng)險(xiǎn)敞口。圖32: 時(shí)序基礎(chǔ)風(fēng)格因子收益率相關(guān)系數(shù)圖33: 截面風(fēng)格因子收益率相關(guān)系數(shù)數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院同時(shí)，截面因子中風(fēng)格因子與板塊因子相關(guān)性較低，說(shuō)明風(fēng)格因子抓住了各板塊共同的風(fēng)險(xiǎn)暴露特征。全體截面因子之間相關(guān)性較小，每個(gè)因子都能刻畫(huà)一類(lèi)獨(dú)特的風(fēng)格/板塊特征。農(nóng)產(chǎn)品與其他板塊都具有一定的負(fù)相關(guān)。圖34: 全部截面因子之間保持較低相關(guān)性數(shù)據(jù)來(lái)源

20、：Wind 天軟 華泰期貨研究院接下來(lái)，我們觀察截面多因子組對(duì)全品種期貨市場(chǎng)的整體解釋力。參照 barra 的風(fēng)格因子算法，我們對(duì)中國(guó)股票市場(chǎng)也復(fù)現(xiàn)了一套截面因子組，樣本空間選取滬深 300 的股票池，在年報(bào)上篇中我們介紹了期股聯(lián)動(dòng)的研究，本章中我們將展示期貨因子和股票因子對(duì)市場(chǎng)解釋力的對(duì)比，下一章中我們會(huì)選用截面回歸得到的商品因子以及股票因子作為特征量，研究其對(duì)商品板塊指數(shù)的收益率影響力排名。表格 1: 華泰商品，股票因子組的構(gòu)成標(biāo)的物市場(chǎng)國(guó)家因子板塊因子風(fēng)格因子商品市場(chǎng)1 個(gè)5 個(gè)（華泰商品板塊）11 個(gè)（含 2 個(gè)宏觀因子）股票市場(chǎng)1 個(gè)11 個(gè)（GICS 一級(jí)）13 個(gè)資料來(lái)源：華泰期

21、貨研究院通過(guò)對(duì)比股票和商品市場(chǎng)因子組在歷史上的解釋力，我們發(fā)現(xiàn)多因子模型在商品市場(chǎng)具有更強(qiáng)的解釋效果，Rsquare 和 AdjRsquare 明顯更大。同時(shí)，商品市場(chǎng)的解釋力隨著時(shí)間的變化逐漸降低，我們認(rèn)為這可能與商品期貨品種的逐漸豐富有關(guān)。圖35: 滬深 300 樣本截面因子解釋力圖36: 商品全市場(chǎng)樣本截面因子解釋力數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院數(shù)據(jù)來(lái)源：天軟 華泰期貨研究院三、 AI 模型的應(yīng)用使用隨機(jī)森林算法篩選重要因子，相較于傳統(tǒng)的線性方法，可以挖掘數(shù)據(jù)間的非線性規(guī) 律。隨機(jī)森林算法的基本組成元素是決策樹(shù)，決策樹(shù)算法具有效率高，處理的信息量大等優(yōu)點(diǎn)。但同時(shí)，決策樹(shù)本身依然有著不可避

22、免的局限性，如對(duì)缺失值不敏感，數(shù)據(jù)容易過(guò)擬合等。隨機(jī)森林算法則利用多顆決策樹(shù)，并進(jìn)行隨機(jī)的特征測(cè)試，不僅增強(qiáng)了模型的魯棒性，也提高了分類(lèi)的準(zhǔn)確性。隨機(jī)森林算法分為回歸和分類(lèi)兩種方式，他們對(duì)因子重要性的評(píng)判標(biāo)準(zhǔn)也不同。當(dāng)采用回歸的方式時(shí)，平均最小分裂節(jié)點(diǎn)和因子純度上升是主要考量因子重要性的兩個(gè)指標(biāo)。簡(jiǎn)單來(lái)說(shuō)，平均最小分裂節(jié)點(diǎn)越小，因子純度上升越快，該因子就越重要。當(dāng)采用分類(lèi)的方式時(shí)，平均基尼系數(shù)降低和平均最小分裂節(jié)點(diǎn)這兩個(gè)指標(biāo)是我們衡量因子重要性的標(biāo)準(zhǔn)。類(lèi)似地，平均基尼系數(shù)降低的越快以及最小分裂節(jié)點(diǎn)越小，該因子就越重要。下文中我們將給出回歸與分類(lèi)兩種方法的因子重要性結(jié)果，以便于互相對(duì)比論證。在具

23、體數(shù)據(jù)測(cè)試過(guò)程中，我們會(huì)選用截面回歸得到的商品因子以及股票因子作為特征量，使用商品板塊指數(shù)作為標(biāo)的物進(jìn)入隨機(jī)森林模型。下面我們給出針對(duì)原始數(shù)據(jù)以及多周期分解之后的短周期、長(zhǎng)周期數(shù)據(jù)三個(gè)口徑的測(cè)試結(jié)果，為方便展示，我們統(tǒng)一按照縮寫(xiě)展示，對(duì)應(yīng)中文名稱(chēng)可以參見(jiàn)附錄中的商品/股票因子代碼表比對(duì)查找。隨機(jī)森林算法使用回歸方式。CCFI 為全市場(chǎng)商品指數(shù)，縱觀全市場(chǎng)指數(shù)的主要影響因 子，商品國(guó)家因子“country_com”無(wú)疑是最主要的影響因素，在主導(dǎo)因子排名中都位列第一，商品動(dòng)量因子“mom”排名第二，而股票材料板塊因子“materials”排名第三，這可能與材料板塊包含大量大宗商品上下游企業(yè)有關(guān)。同

24、時(shí)股票市場(chǎng)的國(guó)家因子“country”對(duì)商品市場(chǎng)也有較強(qiáng)的影響。接著，我們?cè)倏锤鱾€(gè)板塊的主要影響因子，此處我們?cè)谟绊懥ε琶麜r(shí)未加入板塊對(duì)應(yīng)的板塊截面因子（若加入，影響力將排在第一位）?！癱ountry_com”無(wú)疑是最主要的影響因素。其次，商品動(dòng)量因子“mom”在大多數(shù)板塊中重要性排名第二，中國(guó) CPI 因子“cncpi”對(duì)能化板塊與基本金屬板塊有較強(qiáng)的影響力。而期股聯(lián)動(dòng)效應(yīng)最明顯的當(dāng)屬貴金屬板塊，股票市場(chǎng)價(jià)值因子“value” 以及股票材料板塊因子“materials”對(duì)貴金屬板塊均有較強(qiáng)的解釋力。我們的測(cè)試數(shù)據(jù)如下：標(biāo)的物：華泰商品 5 板塊指數(shù)周度收益率（2010-06 至 2020-0

25、9）；訓(xùn)練集：前 70%的周度標(biāo)的物收益率；測(cè)試集：近 3 年約 30%的周度標(biāo)的物收益率；特征集：所有截面因子；樹(shù)的棵樹(shù)：5000 棵樹(shù)（此時(shí)所有模型已經(jīng)收斂）；測(cè)試目標(biāo)：測(cè)試因子重要性（使用分類(lèi)/回歸的方法）。表格 2:原始數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（回歸分析）指數(shù)指標(biāo)重要因子 1重要因子 2重要因子 3重要因子 4重要因子 5country_commommaterialsmacountryCCFI平均最小分裂節(jié)點(diǎn)1.1693.6538653.9836944.4344374.51296country_commommaterialscountrymaCCFI因子純度0.105880.00

26、86340.0075730.0063280.005509country_comcncpimomliquidity_commaBMI平均最小分裂節(jié)點(diǎn)1.29544.0214884.1440894.3371714.939333country_commomliquidity_comcncpicountryBMI因子純度0.1140960.015190.0122870.0110380.009664country_commomvalue_comskewliquidity_comACI平均最小分裂節(jié)點(diǎn)1.32824.23824.4888335.1839265.251678country_commomval

27、ue_comliquidity_comskewACI因子純度0.0655180.0057870.0052180.0043770.004318country_comcncpivalue_commomcountryECMI平均最小分裂節(jié)點(diǎn)1.19983.3222574.378224.5002734.717031country_comcncpivalue_commomcountryECMI因子純度0.1706530.0170670.0128140.0124770.012367country_commommamaterialscountryBBMI平均最小分裂節(jié)點(diǎn)1.19723.6457934.045

28、6214.1650944.3069country_commommacountrymaterialsBBMI因子純度0.1781520.0236890.0236850.0211460.020871country_comvaluematerialsoivalue_comNMFI平均最小分裂節(jié)點(diǎn)1.7589183.5103924.2027974.3627884.941374country_comvalueoimaterialsmaNMFI因子純度0.0343510.0159050.01510.0130930.01176資料來(lái)源：天軟 同花順 Wind 華泰期貨研究院相比于回歸分析，分類(lèi)方法明顯抓住了

29、更多期股聯(lián)動(dòng)的信息，影響力排名靠前的因子中股票因子所占的席位明顯增加，股票材料板塊因子“materials”對(duì)所有板塊均有較大影響。例如股票電信板塊因子“telecom”對(duì)商品黑色建材板塊影響較大，股票可選消費(fèi)板塊因子“consumer_staples”對(duì)商品貴金屬板塊影響較大。所有商品板塊中，貴金屬板塊表現(xiàn)出與股票市場(chǎng)較強(qiáng)聯(lián)動(dòng)規(guī)律，前五個(gè)重要因子中有四個(gè)來(lái)源于股票的因子組。表格 3:原始數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（分類(lèi)）指數(shù)指標(biāo)重要因子 1重要因子 2重要因子 3重要因子 4重要因子 5country_commaterialscncpicountryleverageCCFI平均最小分裂節(jié)

30、點(diǎn)1.05123.5590034.3456074.547055.124671country_commaterialscountrycncpibetaCCFI基尼平均降低107.77928.5283264.8664984.0252772.31588country_comcncpicountrymaterialstelecomBMI平均最小分裂節(jié)點(diǎn)1.06984.2329594.520544.669115.068748country_comcountrycncpimaterialsmomBMI基尼平均降低71.686617.0277926.1987955.2795973.956728country

31、_comcncpimaterialsvariancenlsizeACI平均最小分裂節(jié)點(diǎn)1.1524.8029595.3225765.5216145.565862country_comcncpimaterialsdividendcountryACI基尼平均降低56.008215.7459845.0890824.4923224.454449country_comcncpimaterialscountrymomentumECMI平均最小分裂節(jié)點(diǎn)1.07483.5420074.3992444.9714085.115297country_comcncpimaterialscountrymomentumE

32、CMI基尼平均降低74.909667.8746166.6259956.2743433.851418country_comcountrytelecommaterialsenergyBBMI平均最小分裂節(jié)點(diǎn)1.1232254.0878385.3065635.4153825.436793country_comcountrytelecommaterialstermstructureBBMI基尼平均降低48.585158.958955.1277644.9561164.61726country_commaterialsvalueconsumer_staplescountryNMFI平均最小分裂節(jié)點(diǎn)1.73

33、54913.3118663.8981485.1141645.207934country_commaterialsvalueconsumer_staplescountryNMFI基尼平均降低16.6122610.078417.8966115.7504355.487776資料來(lái)源：天軟 同花順 Wind 華泰期貨研究院在回歸分析中，短周期中商品波動(dòng)率因子“variance”對(duì)各板塊影響力較大。商品 Curve 因子對(duì)農(nóng)產(chǎn)品板塊影響力排名靠前，同時(shí)所有的板塊在短周期上都受到商品國(guó)家因子“country_com”與中國(guó)CPI 因子“cncpi”影響。表格 4:短周期數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（回歸

34、）指數(shù)指標(biāo)重要因子 1重要因子 2重要因子 3重要因子 4重要因子 5country_comcncpicountrymomvarianceCCFI平均最小分裂節(jié)點(diǎn)1.10823.5870514.2202284.2891074.478603country_comcncpicountryvariancematerialsCCFI因子純度0.0002690.0000190.0000170.0000120.000011country_comcncpivariancecountrymomBMI平均最小分裂節(jié)點(diǎn)1.15943.5687053.7018484.1638484.317837country_co

35、mvariancecncpicountrymomBMI因子純度0.0003710.0000390.0000380.0000370.000023country_comcurvevariancecountryliquidity_comACI平均最小分裂節(jié)點(diǎn)1.28964.8366514.9441785.185265.241895country_comcurvevarianceliquidity_comcountryACI因子純度0.0001710.0000120.0000110.0000110.00001country_comcncpicountrymomvarianceECMI平均最小分裂節(jié)點(diǎn)1

36、.2133.3106763.8927364.5313914.535645country_comcncpicountryvariancemomECMI因子純度0.0004410.0000460.0000450.0000290.000027country_commomcncpivalue_comtermstructureBBMI平均最小分裂節(jié)點(diǎn)1.18744.232034.649454.6689044.734653country_commomcncpitermstructurevalue_comBBMI因子純度0.0003720.0000380.0000340.0000310.00003count

37、ry_commaterialsvariancecncpimaNMFI平均最小分裂節(jié)點(diǎn)1.4867954.1739944.4666324.489054.852962country_commaterialsvariancecncpitermstructureNMFI因子純度0.0001270.0000360.0000350.0000320.000028資料來(lái)源：天軟 同花順 Wind 華泰期貨研究院將數(shù)據(jù)分周期后，可以發(fā)現(xiàn)更多有意思的數(shù)據(jù)特征，包含大量可供挖掘的信息，特別是商品資產(chǎn)定價(jià)的復(fù)雜底層邏輯，我們將在后續(xù)的報(bào)告中進(jìn)行深入細(xì)致的研究。此處我們以貴金屬板塊為例，短周期數(shù)據(jù)顯示，商品流動(dòng)性因子“

38、liquidity_com”與股票流動(dòng)性因子 “l(fā)iquidity”對(duì)貴金屬板塊均有較強(qiáng)的影響力。貴金屬板塊在長(zhǎng)周期，受中國(guó)CPI 因子“cncpi”影響力較強(qiáng)，這恰好與貴金屬板塊抗通脹的屬性相呼應(yīng)。表格 5:短周期數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（分類(lèi)）指數(shù)指標(biāo)重要因子 1重要因子 2重要因子 3重要因子 4重要因子 5CCFI平均最小分裂節(jié)點(diǎn)country_comcncpicountrymomresidualvolatility 1.01063.4456183.5192363.895744 4.43413country_comcountrycncpimomnlsizeCCFI基尼平均降低平均

39、最小分裂98.955526.2255424.1307172.8736522.436741country_comcountrymommaskewBMI節(jié)點(diǎn)1.02662.7094822.8293313.744401 3.807335country_comcountrymommacncpiBMI基尼平均降低平均最小分裂55.626557.0758125.7129644.3852234.13649country_comcncpidividendcountryskewACI節(jié)點(diǎn)1.05163.3333273.4625383.64037 3.79076country_comcncpidividendsk

40、ewmomACI基尼平均降低平均最小分裂41.68924.9576434.7065054.3570074.354272country_comcncpicountrytelecommomECMI節(jié)點(diǎn)1.05442.4657982.5577094.051334 4.074616country_comcountrycncpimomskewECMI基尼平均降低58.741268.1840237.3362583.763243.735209consumer_discretiBBMI平均最小分裂節(jié)點(diǎn)country_comcountrymomcncpionaryBBMI基尼平均降低平均最小分裂1.03663.

41、5393.5831393.6558664.009854country_commom countrycncpibab 37.512394.9379764.663334.566867 4.559108country_comliquidity_comliquiditymaterialsvarianceNMFI節(jié)點(diǎn)1.1728772.1127993.3981143.419959 3.509487country_comliquidity_comliquidityvariancematerialsNMFI基尼平均降低20.406779.3705275.9918755.7607035.614699資料來(lái)源：

42、天軟 同花順 Wind 華泰期貨研究院表格 6:長(zhǎng)周期數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（回歸）指數(shù)指標(biāo)重要因子 1重要因子 2重要因子 3重要因子 4重要因子 5country_commommaterialsmacncpiCCFI平均最小分裂節(jié)點(diǎn)1.22983.8115344.4567334.7863814.82986country_commommaterialscncpimaCCFI因子純度0.0013470.0001140.0000720.000070.00007country_comcncpimomliquidity_comvalue_comBMI平均最小分裂節(jié)點(diǎn)1.32823.60590

43、53.7840244.4570765.474335country_comcncpimomliquidity_comoiBMI因子純度0.0016240.0002440.0002270.0001560.000104country_commomoicncpimaACI平均最小分裂節(jié)點(diǎn)1.2834.2287764.6144764.8158155.179705country_commomoicncpicountryACI因子純度0.0008430.000070.0000580.000050.000046country_comcncpimomcountryvalue_comECMI平均最小分裂節(jié)點(diǎn)1.2

44、7483.6540534.9880585.1664435.3396country_comcncpicountrymomcurveECMI因子純度0.0022440.0002460.000160.0001370.00012country_commamomvalue_commaterialsBBMI平均最小分裂節(jié)點(diǎn)1.283.4035484.4074364.7812454.938124country_commamomvalue_commaterialsBBMI因子純度0.002010.000390.0002420.0002070.000192country_commaterialsoivaluem

45、omNMFI平均最小分裂節(jié)點(diǎn)1.9159163.7067983.9300214.9512715.23786country_comoimaterialsvalue_commaNMFI因子純度0.0004580.000230.0002130.0001670.000144資料來(lái)源：天軟 同花順 Wind 華泰期貨研究院表格 7:長(zhǎng)周期數(shù)據(jù)因子重要性排名及對(duì)應(yīng)指標(biāo)值（分類(lèi)）指數(shù)指標(biāo)重要因子 1重要因子 2重要因子 3重要因子 4重要因子 5country_commaterialsvalue_comvaluecountryCCFI平均最小分裂節(jié)點(diǎn)1.03322.9379043.8846723.98035

46、24.174608country_commaterialsvalue_comcountryenergyCCFI基尼平均降低88.514274.9561353.588943.3953163.162585country_commomcncpivariancesizeBMI平均最小分裂節(jié)點(diǎn)1.03482.7254882.898723.6068483.740856country_commomcncpivarianceearningsBMI基尼平均降低35.565416.8708326.1310035.0822034.774999country_comgrowthnlsizevalue_comconsu

47、mer_staplesACI平均最小分裂節(jié)點(diǎn)1.04143.7198513.8123363.9433964.145293country_comnlsizegrowthvalue_comtermstructureACI基尼平均降低55.836284.4269814.1875053.9706843.838619country_comcountryenergycncpimomentumECMI平均最小分裂節(jié)點(diǎn)1.0263.2422443.4433383.5025693.824138country_comcountrycncpienergymaECMI基尼平均降低56.535635.6359194.6

48、076814.4984674.211922country_commaterialsricinlsizecountryBBMI平均最小分裂節(jié)點(diǎn)1.07542.8219943.3905043.5095153.788427country_commaterialsnlsizericioiBBMI基尼平均降低32.17196.0194825.2716765.1549594.527522country_comvaluericibetamaterialsNMFI平均最小分裂節(jié)點(diǎn)1.6718973.0112113.2019673.6028053.769973country_comvaluericicncpir

49、esidualvolatilityNMFI基尼平均降低9.6349816.3961215.6764175.1339265.100377資料來(lái)源：天軟 同花順 Wind 華泰期貨研究院基于前述結(jié)果，商品國(guó)家因子對(duì)各個(gè)板塊、各個(gè)尺度的影響力均位列第一，我們從統(tǒng)計(jì)的角度，通過(guò)因子間的對(duì)比，評(píng)估因子對(duì)全市場(chǎng)的重要性中影響作用的相對(duì)強(qiáng)弱，具體方法是計(jì)算各因子在不同周期針對(duì)五大板塊的重要性指標(biāo)之和然后進(jìn)行排序，根據(jù)選取不同特征指標(biāo)得到如下結(jié)果：圖37: 不同周期因子 MSE 排名（分類(lèi)）數(shù)據(jù)來(lái)源：天軟 同花順 Wind 華泰期貨研究院圖38: 不同周期因子 RSS 排名（分類(lèi)）數(shù)據(jù)來(lái)源：天軟 同花順 Wi

50、nd 華泰期貨研究院圖39: 不同周期因子最小分裂節(jié)點(diǎn)排名（分類(lèi)）數(shù)據(jù)來(lái)源：天軟 同花順 Wind 華泰期貨研究院四、 AI 模型預(yù)測(cè)能力探索截面因子能夠?qū)⒊橄蟮囊蜃痈拍?，通過(guò)行情數(shù)據(jù)具象化，并且能夠幫助投資人更清晰理解具有系統(tǒng)性特征的收益/風(fēng)險(xiǎn)來(lái)源。所以，對(duì)于投資市場(chǎng)風(fēng)格和商品板塊的投資策略來(lái)說(shuō)，截面因子是不可或缺的風(fēng)險(xiǎn)溢價(jià)定量分析基礎(chǔ)?；诮孛嬉蜃釉谕顿Y策略中的優(yōu)勢(shì)，我們?cè)诒菊聦?duì)截面因子的預(yù)測(cè)能力進(jìn)行進(jìn)一步的探索。我們以商品板塊指數(shù)作為標(biāo)的，通過(guò)使用周期分解之后短周期和長(zhǎng)周期上股票、商品的歷史因子數(shù)據(jù)，運(yùn)用隨機(jī)森林的方法對(duì)標(biāo)的進(jìn)行預(yù)測(cè)，分別得到短周期和長(zhǎng)周期的預(yù)測(cè)結(jié) 果，然后再將兩個(gè)周期的

51、預(yù)測(cè)結(jié)果疊加得到最終的預(yù)測(cè)結(jié)果。主要參數(shù)選取如下：以周度作為時(shí)間單位，通過(guò)選取不同歷史長(zhǎng)度的因子數(shù)據(jù)，對(duì)各商品板塊 T+1 周以及 T+2 周的收益率進(jìn)行預(yù)測(cè)，RMSE 越小、勝率越高說(shuō)明預(yù)測(cè)效果越好。從使用的歷史數(shù)據(jù)長(zhǎng)度上看，大部分商品板塊用歷史兩周的數(shù)據(jù)對(duì)未來(lái)一周數(shù)據(jù)進(jìn)行預(yù)測(cè)效果最好。從不同板塊的預(yù)測(cè)效果上看，商品農(nóng)產(chǎn)品板塊、黑色建材板塊的預(yù)測(cè)效果最 好，貴金屬板塊的預(yù)測(cè)效果最差。同時(shí)，隨著選取的歷史時(shí)間變長(zhǎng)，RMSE 與勝率的標(biāo)準(zhǔn)差也逐漸增大。我們的測(cè)試數(shù)據(jù)如下：標(biāo)的物：華泰商品 5 板塊指數(shù)周度收益率（2010-06 至 2020-09）；訓(xùn)練集：前 70%的周度標(biāo)的物收益率；測(cè)試集：

52、近 3 年約 30%的周度標(biāo)的物收益率；特征集：所有截面因子；樹(shù)的棵樹(shù)：15000 棵（為了保證使用因子歷史數(shù)據(jù)長(zhǎng)度為T(mén)-6 周至今時(shí)模型也能收斂）預(yù)測(cè)目標(biāo)：測(cè)試隨機(jī)森林的回歸能力-下一周標(biāo)的物收益率；或預(yù)測(cè)下兩周的標(biāo)的物收益率。表格 8:隨機(jī)森林預(yù)測(cè) T+1 周表現(xiàn)（回歸）選取因子歷史數(shù)據(jù)長(zhǎng)度T 周T-1 周至今T-2 周至今T-3 周至今T-4 周至今T-5 周至今T-6 周至今ACIRMSE0.0135350.0134580.0134750.0134800.0134610.0135140.013514勝率 (%)48.0058.0053.0253.6957.7254.0553.38BBM

53、IRMSE0.0328930.0328280.0329900.0330070.0330050.0327270.032739勝率 (%)48.6754.0053.0245.6446.3147.3045.27BMIRMSE0.0233240.0232440.0233120.0233010.0233070.0230510.023062勝率 (%)51.3353.3348.9944.3038.9339.8638.51CCFIRMSE0.0170430.0169930.0170700.0170730.0170530.0169270.016938勝率 (%)49.3352.6746.9844.3045.6

54、449.3248.65ECMIRMSE0.0291400.0290980.0292090.0292520.0292270.0292210.029227勝率 (%)49.3348.6752.3548.3250.3452.7046.62NMFIRMSE0.0280480.0280790.0281430.0281740.0281360.0282230.028219勝率 (%)45.3346.0044.9744.3043.6249.3245.95資料來(lái)源：天軟 同花順 Wind 華泰期貨研究院表格 9:隨機(jī)森林預(yù)測(cè) T+1 周表現(xiàn)總結(jié)（回歸）選取因子歷史數(shù)據(jù)長(zhǎng)度RMSE 均值勝率均值(%)RMSE 標(biāo)

55、準(zhǔn)差勝率標(biāo)準(zhǔn)差(%)T 周0.02399748.670.0068351.81T-1 周至今0.02395052.110.0068483.86T-2 周至今0.02403349.890.0068853.14T-3 周至今0.02404846.760.0068953.41T-4 周至今0.02403147.090.0068965.84T-5 周至今0.02394448.760.0068574.57T-6 周至今0.02395046.400.0068584.42資料來(lái)源：天軟 同花順 Wind 華泰期貨研究院我們?cè)賮?lái)觀察對(duì) T+2 周標(biāo)的物收益率的預(yù)測(cè)效果。從使用的歷史數(shù)據(jù)長(zhǎng)度上看，大部分商品板塊用

56、歷史一周的數(shù)據(jù)對(duì) T+2 周數(shù)據(jù)進(jìn)行預(yù)測(cè)效果最好。從不同板塊的預(yù)測(cè)效果上看，商品農(nóng)產(chǎn)品板塊、能源化工板塊的預(yù)測(cè)效果最好，貴金屬板塊的預(yù)測(cè)效果最差。同時(shí)，隨著選取歷史時(shí)間變長(zhǎng)，RMSE 逐漸增大，勝率的標(biāo)準(zhǔn)差在使用兩周歷史數(shù)據(jù)時(shí)達(dá)到最小。通過(guò)上述結(jié)果，T-1 周因子數(shù)據(jù)能有效增強(qiáng) T+1 周預(yù)測(cè)效果，T 周因子數(shù)據(jù)能有效增強(qiáng)T+2 周預(yù)測(cè)效果，似乎相隔的兩周之間具有重要的關(guān)聯(lián)。表格 10:隨機(jī)森林預(yù)測(cè) T+2 周表現(xiàn)（回歸）選取因子歷史數(shù)據(jù)長(zhǎng)度T 周T-1 周至今T-2 周至今T-3 周至今T-4 周至今T-5 周至今T-6 周至今ACIRMSE0.0134450.0134720.0134780

57、.0134580.0135060.0135110.013514勝率 (%)59.3348.9946.3152.3552.7051.3550.68BBMIRMSE0.0328370.0330180.0330200.0330270.0327550.0327660.032753勝率 (%)52.6748.3250.3448.9950.6846.6246.62BMIRMSE0.0231110.0232080.0232310.0232420.0229920.0230060.022983勝率 (%)52.6746.3144.3044.9743.2441.8945.27CCFIRMSE0.0169880.0170740.0170840.0170580.0169320.0169390.016922勝率 (%)51.3346.9839.6041.6145.2750.0050.68ECMIRMSE0.0290880.0291870.0292610.0292330.0292280.0292350.029223勝率 (%)54.0052.3546.9850.3448.6546.6247.97NMFIRMSE0.0280930.0281340.0281530.0281120.0282030.0282020.028201勝率 (%)44.0051.0145.6450.345