20260309-华泰期货-基于多因子体系的基差预测模型（二）_股指基差何去何从_17页_1mb

报告摘要

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

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。
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。
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。
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。
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

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。
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。
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。
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。