20201207-华泰期货-金融科技赋能投研系列之十一_智AI科技慧投未来（上）_48页_2mb

报告摘要

本文聚焦于金融科技在金融投研领域的应用，特别是人工智能技术对商品市场和股票市场因子分析与联动研究的推动作用。在2020年全球经济动荡的背景下，传统量化模型难以适应快速变化的市场环境，因此，研究和应用AI技术成为投资领域的重要趋势。

文章提出了一个基于多周期数据分析和AI模型的新型商品投研框架，旨在通过提取市场中隐藏的风险和收益信息，提高投资决策的准确性和效率。该框架结合了传统金融工程方法与前沿AI技术，强调对数据的深度挖掘与分析。

AI技术的引入：AI技术因其快速学习市场新模式的能力，成为当前金融投研的热点。它与传统方法的结合，为金融数据的分析和预测提供了更坚实的基础。
多周期数据分析：通过将金融数据按周期分解，可以更清晰地识别不同周期范围内的主导驱动因素，从而提升模型的适用性和预测能力。
商品多因子模型：本文首次在国内推出商品多因子模型，包括时序基础因子和截面因子。该模型包含国家因子、宏观因子、风格因子和商品板块因子，能够有效解释市场波动并提供投资依据。
期股联动分析：文章分析了商品和股票因子之间的领先/滞后关系，指出它们在宏观环境反应上具有一定的相似性，同时在产业链传导上也存在联动特征。
AI模型的应用：通过构建深度神经网络模型（如全连接网络、卷积网络和循环网络），对商品因子进行重要性分析和预测，提升模型的解释力和预测效果。

基本逻辑：
- 量化投研的核心目标是通过模型提取数据中蕴含的对标的物未来价格的预测信息。
- 金融市场背后的价格影响因素包括宏观、风格、板块等，其中多因子模型是重要工具。
因子选取：
- 四类因子：国家因子、宏观因子、风格因子、商品板块因子。
- 因子选取基于经济学特征和市场交易特点，强调对市场波动和系统性风险的解释能力。
模型基本方法：
- 对比多种模型方法，包括传统金融工程方法和AI模型，用于数据处理、因子效率判断、期股联动分析和因子解释力/预测能力研究。

基础因子：
- Curve因子：通过远月与近月合约收益率差衡量风险溢价。
- 期限结构因子：通过展期收益衡量市场升贴水结构。
- 波动率因子：通过变动系数衡量风险溢价。
- 价值因子：通过期货曲线斜率衡量供需状况。
- 持仓因子：通过持仓金额变化衡量市场预期。
- 偏度因子：通过偏度衡量市场非对称性。
- 动量因子：通过历史收益率衡量趋势延续性。
- 流动性因子：通过流动性比率衡量市场流动性。
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：衡量商品对美元走势的敏感度。
商品板块指数及全市场指数：
- 采用华泰商品五大板块分类方法，保证板块指数的代表性。
- 板块指数与全市场指数的构建基于持仓金额和价格趋势，具有良好的市场解释力。
构建截面因子：
- 截面因子是基于基础因子值进行回归计算得到的。
- 通过截面回归分析，可以分离出板块系统性风险和特异性风险。
多因子模型：
- 通过多因子分解，可以更好地理解商品市场的波动来源。
- 基于Barra模型，构建了商品因子暴露矩阵，用于投资组合的优化和风险管理。

深度神经网络模型介绍：
- 深度神经网络是AI技术的重要组成部分，具有非线性特征和强大的学习能力。
- 常见的深度神经网络模型包括全连接网络、卷积网络和循环网络。
深度神经网络模型构建：
- 构建基于多周期数据的深度神经网络模型，结合不同周期特征进行预测。
- 通过多节点输入、平行学习和汇合学习等方式，提取不同周期数据中的有用信息。
因子重要性判断：
- 使用随机森林和深度学习模型判断不同因子对预测的贡献。
- 因子重要性分析有助于优化模型结构，提高预测效果。
AI模型预测结果对比：
- 对比随机森林和深度神经网络模型的预测效果。
- 通过测试数据，验证不同模型在商品因子预测上的优势和适用性。