金融科技赋能投研系列之十一：智AI科技，慧投未来（上）-20201207-华泰期货-48页_2mb

金融科技赋能投研系列之十一：智AI科技慧投未来（上）总结

核心内容概述

本文探讨了人工智能技术在金融投研领域的应用，特别是在商品市场中的多因子模型构建和期股联动分析。在2020年全球经济动荡背景下，传统量化投资模型受到挑战，而AI技术则为金融投研提供了新的方向和方法。

主要观点

• AI技术的必要性：AI技术在金融投研中具有重要价值，特别是在应对市场波动和提取有效信息方面，其灵活性和学习能力使其成为研究热点。
• 多周期数据分解：该方法有助于识别不同周期范围内的主导因素，从而为模型构建提供更准确的数据支持。
• 商品多因子模型：本文首次推出国内商品多因子模型，包括国家因子、宏观因子、风格因子和商品板块因子，能够有效解释商品市场系统性收益和风险敞口。
• 期股联动分析：通过分析期股因子间的相关性和领先滞后关系，有助于理解两者之间的内在联系，为跨资产投资策略提供数据基础。
• AI模型的应用：通过决策树、随机森林和深度神经网络等模型，提取预测信息并评估因子的重要性。

关键信息

1. 投资咨询业务资格

• 证监许可【2011】1289号
• 投资咨询号：Z0014257
• 研究员信息：
  • 陈辰，从业资格号：F3024056，邮箱：chenchen@htfc.com
  • 何绪纲，从业资格号：F3069194，邮箱：hexugang@htfc.com
  • 高天越，从业资格号：F3055799，邮箱：gaotianyue@htfc.com

2. 商品投研框架

• 量化投研方法的核心是提取数据背后的市场信息。
• 多因子模型能够有效描述市场的系统性收益和风险敞口。
• 四类因子：
  • 国家因子
  • 宏观因子
  • 风格因子
  • 商品板块因子

3. 基础因子构建方法

• Curve因子：通过期货远月与近月合约收益率之差，衡量市场风险溢价。
• 期限结构因子：通过展期收益计算，反映市场升贴水结构。
• 波动率因子：使用变动系数衡量风险溢价。
• 价值因子：基于库存水平和期货曲线的斜率，衡量供需关系。
• 持仓因子：通过持仓金额变化衡量市场活动。
• 偏度因子：衡量商品期货价格分布的非对称性。
• 动量因子：基于历史价格趋势预测未来走势。
• 流动性因子：衡量市场流动性溢价。

4. 宏观因子

• CPI Beta因子：衡量商品对通胀变化的敏感度。
• 美元指数Beta因子：衡量商品对美元指数的敏感度。
• 国家因子：剔除风格因子后，反映市场整体系统性风险。

5. 商品板块指数及商品全市场指数

• 编制方法基于持仓金额，构建出可跟踪的商品板块及市场指数。
• 采用华泰商品五大板块分类方法，兼顾数据稳定性和投资可行性。
• 历史表现显示，商品国家因子与股票国家因子相关性较高，反映了国内金融市场投资风格的成熟与多样化。

6. 截面因子构建

• 截面因子通过多元线性回归计算，反映商品在特定时间点对因子的暴露程度。
• 去除共线性影响，提高因子解释力。
• 表格显示，各因子在测试中的表现差异显著，其中国家因子具有最强解释力。

7. 期股联动分析

• 中性板块相关性：商品与股票板块间相关性不明显，但国家因子相关性较高。
• 板块与风格因子相关性：股票风格因子与商品风格因子之间相关性较低，但在长周期上表现出领先滞后关系。
• 协相关性分析：商品与股票之间存在一定的领先滞后关系，如基本金属领先于材料板块。

8. AI模型应用

• 深度神经网络模型：用于提取多周期分解后的因子特征，设计合理的模型拓扑结构。
• 模型类型：
  • 全连接神经网络（DNN）
  • 卷积神经网络（CNN）
  • 循环神经网络（RNN）和LSTM
• 模型构建：基于多周期数据，采用多节点输入，平行学习不同周期数据特征，再进行合并预测。
• 因子重要性判断：使用随机森林和深度学习模型，筛选对商品板块预测能力较强的因子。

技术与方法论

• 多周期数据分解：有助于识别不同周期内的主导因素。
• 截面回归方法：用于计算截面因子，剔除风格因子影响。
• 共线性处理：通过合并或去除共线性部分，提高因子解释力。
• 因子测试指标：包括R平方、信息系数（IC）、t值、p值和贝塔值（Beta）。

应用场景

• 商品多因子模型：适用于中低频调仓，覆盖整个市场，投资风格因子或板块。
• 期股联动分析：有助于理解商品与股票之间的关系，为跨资产配置提供依据。
• AI模型：用于因子重要性判断和预测，提升模型的灵活性和预测能力。

未来展望

• 下篇内容：将进一步展示模型测试结果，输出完整的测试结果，并进行不同模型的对比分析。
• 应用方向：商品因子与股票因子联动、宏观对冲投资、全球商品配置等。

图表目录

• 图1：按照周期分解数据
• 图2：原油期货的三维期限结构
• 图3：原油期货月度curve
• 图4：商品板块累计收益率表现
• 图5：板块的月均持仓金额
• 图6：板块的月均持仓金额占比
• 图7：2020年板块收益率及持仓增长情况
• 图8：与Wind板块分类的相关系数（2010至2015年）
• 图9：与Wind板块分类的相关系数（2016至今）
• 图10：多因子收益率的历史相关性
• 图11：商品和股票板块之间相关性
• 图12：材料（股票）与基本金属（商品）之间的协相关性
• 图13：商品板块、商品风格因子及股票风格因子之间相关性
• 图14：期限结构因子（商品）和beta风格因子（股票）之间的协相关性
• 图15：深度神经网络模型与AI
• 图16：简单神经网络样式
• 图17：卷积神经网络结构
• 图18：多个输入节点，单一输出结果（平行学习层+汇合学习层）
• 图19：多个输入节点，多个输出结果（平行学习层+汇合学习层）
• 图20：随机森林原理示意图
• 图21：因子重要性示意图
• 图22：最小分裂节点示意图

表格目录

• 表格1：CCFI对各个因子的测试结果
• 表格2：平均rmse和平均胜率随着树颗数增长表现
• 表格3：商品板块指数预测结果对比（随机森林vs.深度神经网络）
• 表格4：华泰板块的划分标准
• 表格5：华泰商品，股票因子代码附录