20180605-安信证券-机器学习与量化投资_机器学习结合基本面_11页_990kb

机器学习与量化投资：机器学习结合基本面信息期货策略总结

核心内容概述

本报告探讨了将机器学习方法与基本面信息相结合，用于构建期货投资策略的可行性与效果。通过对比机器学习结合基本面信息的策略与单纯技术面神经网络模型的表现，得出结合基本面信息的策略在风险调整后收益上更具优势。

主要观点

• 商品价格驱动因素：商品价格同时受到技术面和基本面的驱动，其中基本面指标对价格变化的影响更为深刻。
• 机器学习结合基本面优势：通过引入库存等基本面信息，机器学习模型能够更准确地捕捉价格波动规律，从而在夏普比率、最大回撤、年化收益率等方面优于纯技术面模型。
• 策略设计：采用全连接神经网络预测收益，并结合库存变动信息进行交易决策，形成异或关系以优化投资效果。
• 数据与模型训练：使用天软和Choice数据源，选取22个商品期货品种，其中社会库存优先级最高，其次是交易所库存和期货库存。
• 交易成本假设：在隔日单边万分之3的成交成本假设下，策略表现更为稳健。
• 风险提示：策略存在因市场流动性不足、市场结构变化、库存信息滞后等导致模型失效的风险。

关键信息

策略表现对比

年度收益率对比

数据来源与分割

• 训练集：2014年7月25日至2016年12月31日
• 测试集：2017年1月1日至2017年12月31日
• 数据特点：训练数据约18000条，测试数据约6000条；库存数据以周为单位更新，因此测试集中库存数据不足1000条。

特征因子选择

• 特征因子：包括过去五日收盘价平均值/观测点收盘价、过去八日收盘价平均值/观测点收盘价、LLT（低延迟趋势线）的变化趋势、以及归一化数据等。
• 模型类型：监督式学习，采用神经网络回归预测未来五日收益。

算法选择逻辑

• 异或关系与模型外判断：在神经网络预测收益后，结合库存变动信息进行异或关系判断，以决定做多或做空。
• 避免过拟合：通过将库存信息作为50%权重，有效控制模型过拟合，提高策略在测试集上的稳定性与表现。
• 回归与分类选择：本策略采用回归模式，预测未来收益，而非分类模式（涨跌判断），以减少交易频率和手续费影响。

风险点与改进方向

• 风险点：

  1. 期货与现货的暂时性偏离，尤其在低流动性或负基差情况下。
  2. 市场结构变化（如投资者类型、风险偏好）可能导致模型失效。
  3. 流动性不足，导致交易成本过高或无法成交。

• 改进方向：

  • 增加数据多样性，优化库存数据获取频率。
  • 引入更多基本面指标，如供需关系、宏观经济数据等。
  • 提高模型鲁棒性，以应对市场结构变化。

结论

机器学习结合基本面信息的期货策略在测试集上表现优于单纯技术面神经网络模型，体现出其在收益、风险控制方面的显著优势。然而，该策略仍需关注市场流动性、结构变化及库存数据的时效性，以进一步提升稳定性和盈利能力。

附注

• 分析师：杨勇、周裘
• 报告来源：安信证券研究中心
• 实习生贡献：胡梦媛
• 免责声明：本报告仅供客户参考，不构成投资建议，且不保证信息的完整性、准确性。投资者应自行判断并承担风险。