20241219-国泰期货-因子与指数投资揭秘系列二十二_探究构建因子的时间序列数据平稳性_12页_1mb

因子与指数投资揭秘系列二十二：探究构建因子的时间序列数据平稳性总结

核心内容概述

本文探讨了在金融投资中时间序列数据的平稳性对因子构建和模型优化的重要性。通过对黄金、液化石油气、纯碱基差、商品期权隐含波动率以及基本面数据（如20号胶仓单）的案例分析，揭示了不同时间序列的特性及其对因子设计的影响。

主要观点

• 平稳序列：其统计特性（均值、方差、协方差）不随时间变化，便于建模，预测准确度高，过拟合风险低。
• 非平稳序列：通常具有趋势性或周期性，参数量大，预测难度高，可能导致伪回归问题。
• 平稳性检验：常用ADF检验与ACF图进行判断。ADF检验用于检测单位根的存在，p值小于阈值（如1%、5%）时序列为平稳；ACF图则显示自相关性是否随滞后阶数增加而减弱（“截尾”）或持续（“拖尾”）。
• 趋势与均值复归：非平稳序列可能表现出趋势性，适合动量因子；平稳序列可能表现出均值复归性，适合反转因子。
• 因子设计：需根据序列的平稳性选择合适因子类型，如动量因子适用于非平稳序列，反转因子适用于平稳序列。

关键信息

1. 黄金现货价格分析

• 趋势性较强：2023年下半年以来，黄金价格呈现明显上涨趋势，为非平稳序列。
• ADF检验结果：p值大于阈值，序列不平稳。
• 差分处理后：差分序列在ADF检验中p值接近于0，显示为平稳。
• 结论：适合使用动量类因子进行择时。

2. 液化石油气现货价格分析

• 震荡平稳：价格在5000点附近波动，具有平稳特性。
• ADF检验结果：p值小于5%阈值，序列平稳。
• ACF图特征：滞后25阶后才出现“截尾”，说明平稳性较弱，短周期仍有较强自相关。
• 结论：应使用更短周期的量价因子进行择时，长周期因子可能失效。

3. 纯碱基差分析

• 年份差异显著：2023年为非平稳序列，2024年趋于平稳。
• 均值复归失效：导致期限结构策略回撤，提示需关注基差数据的平稳性。
• 结论：平稳性增强后，可考虑基于“均值复归”逻辑构建模型。

4. 商品期权隐含波动率分析

• 铁矿石期权平值隐含波动率：

  • ADF检验显示为平稳序列（5%阈值）。
  • ACF图显示“拖尾”，适合使用长周期反转信号。
  • 实践中采用40日动量反转因子，取得较好回测效果。

• 豆粕期权平值隐含波动率：

  • ADF检验显示为平稳序列（5%阈值）。
  • ACF图显示滞后20阶后自相关性下降至0.4以下，适合中周期反转信号。
  • 实践中采用10日动量反转因子，取得较好回测效果。

5. 基本面数据（如20号胶仓单）分析

• 趋势与周期性：20号胶仓单数据具有趋势性和周期性，非平稳。
• 处理方式：通过求同环比、分位点等方式处理后，可转化为平稳序列。
• 结论：基本面数据处理后可拓宽量化策略的应用范围。

结构建议与因子选择

• 非平稳序列：适合构建动量因子，捕捉趋势性。
• 平稳序列：适合构建反转因子，利用均值复归特性。
• 自相关性分析：通过ACF图识别序列特性，判断是否需要使用长或短周期因子。
• ADF检验：是判断序列平稳性的关键工具，需结合p值和滞后项进行分析。

风险提示

• 非量化因素：政策、地缘政治、突发事件等可能对因子有效性产生扰动。
• 模型失效风险：因子构建基于历史数据和统计规律，未来可能存在失效风险。

总结

本文通过实际案例，系统分析了时间序列数据的平稳性对因子构建的影响，强调了在不同序列特性下应选择不同因子类型。同时，指出需结合ADF检验与ACF图判断序列是否平稳，并根据平稳性设计相应的择时因子。最终，提醒投资者注意非量化因素对因子效果的干扰，以及模型在未来可能失效的风险。