> **来源：[研报客](https://pc.yanbaoke.cn)** # 基于多因子体系的基差预测模型（二）总结 ## 核心内容 本报告在前序研究《基于多因子体系的基差预测模型》基础上，对基差预测模型进行了多方面的优化与拓展，以提升模型在不同市场环境下的适应性与预测效果。 ## 主要观点 1. **同品种不同合约基差的有效因子有显著区别** 不同合约上的交易群体和交易偏好存在差异，导致基差的有效驱动因子有所不同。近月合约更偏投机属性，远月合约更偏对冲属性。 2. **因子相关性随时间动态变化** 市场风格切换会导致基差与因子之间的相关关系发生变化，因此采用滚动因子筛选机制，以提高模型的灵活性和适应性。 3. **多模型融合提升预测效果** 结合截面因子模型与时间序列模型，构建多模型融合体系，能更好地捕捉基差的动态变化和非线性关系，提升预测的准确性与稳定性。 4. **不同合约预测效果存在差异** 近月合约因到期时间短，基差波动大，预测难度较高；远月合约因基差波动较小，预测精度和方向准确性相对更高。 5. **机器学习模型在预测精度方面表现更优** 随机森林和XGBoost等非线性模型在预测精度上优于线性模型，但时间序列模型在方向预测上表现更佳。 ## 关键信息 ### 模型优化措施 1. **因子增添与筛选** - 加入新因子，如ETF份额、市值、CFTI席位数据、波动率、收益率等。 - 构建因子相关性矩阵，去除高度相关的因子，保留与基差相关性更高的因子，提升模型稳健性。 - 根据ETF类型，区分进取型与稳健型，发现进取型ETF与基差呈负相关，稳健型ETF与基差呈正相关。 2. **滚动筛选因子** - 将固定因子池改为滚动窗口筛选，以适应市场风格的动态变化。 - 发现不同时间段下有效因子有所变化，例如2020-2022年期间超额因子影响较大，而2023-2025年期间融券余额与波动率因子成为主导。 3. **全合约预测** - 从单一合约预测拓展至全合约预测，提高模型的适用性与覆盖度。 - 不同合约的基差与因子的相关性差异显著，进一步验证了各合约上交易群体的差异。 4. **多模型融合** - 引入AR时间序列模型，结合线性回归、随机森林、XGBoost等模型，构建多模型融合预测体系。 - 各模型在不同合约上的表现差异较大，通过融合可提升整体预测效果。 ### 模型预测效果 - **IC合约**： - 各模型预测准确率在 $60\%$ 至 $66\%$ 之间。 - 多模型融合后，平均方向准确率约为 $61\%$，平均MSE约为0.0374。 - **IH合约**： - 多模型融合后，平均方向准确率约为 $62.46\%$，平均MSE约为0.0282。 - **IF合约**： - 多模型融合后，平均方向准确率约为 $61.29\%$，平均MSE约为0.0274。 - **IM合约**： - 多模型融合后，平均方向准确率约为 $60.64\%$，平均MSE约为0.0525。 ### 因子相关性分析 - **IC02合约**： - 2020-2022年期间，超额因子与基差呈显著负相关。 - 2023-2025年期间，融券余额与波动率因子对基差影响更大。 - 稳健型ETF（如规模型、风格型）与基差呈正相关，进取型ETF（如主题型、行业型）与基差呈负相关。 - **IH合约**： - 融券余额、波动率因子与基差相关性较高。 - 零售净持仓与基差呈正相关，机构净持仓与基差呈负相关。 - **IF合约**： - 波动率、持仓量、资金沉淀等因子对基差影响显著。 - 零售空头持仓与基差呈负相关，机构净持仓与基差呈负相关。 - **IM合约**： - 波动率、持仓量、资金沉淀等因子影响较大。 - 与IC、IH、IF相比，IM合约的预测效果相对较低，可能与其流动性或市场关注度有关。 ## 结论 通过加入新因子、调整因子筛选方式、拓展至全合约预测以及引入多模型融合策略，基差预测模型在不同合约与时间段的预测效果得到了显著提升。特别是时间序列模型在方向预测上表现优于其他模型，而机器学习模型在预测精度上更具优势。模型在不同合约上的表现差异表明，基差的预测需结合具体合约特性进行分析。整体来看，多模型融合策略能够有效整合各模型优势，提升预测的全面性和准确性。 ## 风险提示 - 回测结果基于历史数据，不保证未来表现。 - 市场环境变化可能导致模型失效，需持续关注并调整。 ## 免责声明 本报告基于公开信息编制，不保证其准确性与完整性。报告观点、结论及预测仅反映发布当日判断，不构成投资建议。投资者应独立判断，自行承担投资风险。本报告版权属华泰期货研究院所有，未经许可不得擅自使用或传播。