量化分析与机器学习在金融行业的创新应用_36页_5mb

报告摘要

2025年彭博中国区FICC量化训练营案例总结

一、核心内容概述

2025年彭博中国区FICC量化训练营（Code Crunch China）在上海和北京两地成功举办，共有16家领先金融机构和专家团队参与。活动围绕量化分析与机器学习在金融行业的创新应用，展示了多种量化交易策略与分析应用，包括外汇、美债、国债、期权定价、债券做市等，突显了量化投研在提升市场洞察力和交易效率方面的价值。

二、主要策略与应用

1. 中国工商银行：外汇、美债和国债三类策略

外汇策略：聚焦欧元兑美元（EUR/USD），采用机器学习预测未来汇率方向变化，构建反转因子增强策略，提高交易信号的准确性。
- 使用三个机器学习模型预测，准确率可达85%-87%。
- 选取10天收盘价的累计涨跌幅作为反转因子，减少无效交易。
- 策略在设定滑点和交易手续费下，年化收益率约10.72%，夏普比率1.378；加入反转增强策略后，年化收益率和夏普比率均有所提升，最大回撤减小。
美债策略：构建包含资产量价因子、宏观因子、供需因子的162个月频预测特征值，采用XGBoost模型进行滚动预测。
- 通过均值回归半衰期和离散化OU过程检验误差的均值回归特性。
- 策略平均持仓时间约77天，年化收益率超过8%。
国债策略：使用80+种原始数据和600+个衍生特征，构建利率预测及交易策略。
- XGBoost模型在验证集上的平均UC超过0.75，利率涨跌预测准确率超70%。
- 回测显示年化收益率达5.58%，夏普比率2.964，最大回撤-1.23%。
- 策略以单向做多为主，结合宏观经济分析，避免过拟合。

2. 中国银行：微观信号与模式识别

提交四个外汇领域的量化交易策略，涵盖市场微观信号与模式识别。
CNY市场订单不平衡策略：利用市场中央订单簿数据，通过设定阈值识别订单失衡信号，进行仓位调整。
- 策略在三种场景（基准、延迟执行、高手续费）中表现良好，执行速度和手续费对策略结果影响显著。
智能模式识别：基于历史相似走势匹配，使用余弦相似度、相关系数、闵可夫斯基距离和DTW算法进行对比。
- 一年期EUR/USD数据回测，年化收益率达25.5%。
- 未来计划提取更多非价格特征，优化模型。

3. 交通银行：EUR/CNY期权定价

聚焦波动率差异分析，使用B-S期权定价模型计算EUR/CNY期权理论价格。
波动率调整：根据期权到期日调整隐含波动率和实际波动率，结合两者提升定价准确性。
- 短期采用调整后的实际波动率，长期则依赖隐含波动率。
- 通过Delta对冲方法计算PnL，结果显示调整后的实际波动率和隐含波动率均能有效提升定价效果。
- 未来计划优化相关性分析，拓展至更多货币对。