量化策略年报：金融科技赋能投研系列之十二，智AI科技，慧投未来（下）-20201214-华泰期货-33页_1mb

金融科技赋能投研系列之十二：智AI科技慧投未来（下）总结

核心内容概述

本文聚焦于商品因子体系与AI模型在投资研究中的应用，重点分析了时序基础因子与截面因子的表现及预测能力，同时展示了随机森林与深度神经网络在商品板块预测中的效果。

主要观点与关键信息

一、商品因子应用

1. 时序基础因子（可投资）：

   • 包括动量因子、期限结构因子等，可直接用于投资。
   • 去年推出的动量、期限结构风格因子指数表现良好，策略可复现。
   • 每日更新风格暴露数据，支持多空策略，具有即时跟踪能力。
   • 时序基础因子策略每月选出5个正向和5个反向暴露品种，各板块权重分布清晰。

2. 截面因子（不可投资）：

   • 反映全市场、各板块及不同品种主导因素，具有更强的解释力。
   • 在计算风险矩阵和跟踪收益来源方面有天然优势。
   • 可用于投资组合的业绩归因与风险预判。
   • 截面因子与时序因子相比，具有更低的相关性，能捕捉更独立的风险敞口。

二、商品因子表现

1. 时序基础因子表现：

   • 在11个因子中，价值因子与期限结构因子表现最佳，具有长期稳定正向收益。
   • 图2展示了时序基础因子累计收益率，其中价值因子表现突出。
   • 图5显示了各板块累计收益率表现，黑色建材板块收益最大，能化板块为唯一负收益板块。

2. 截面因子表现：

   • 截面因子累计收益率图9显示其整体表现优于时序因子。
   • 图34表明所有截面因子之间保持较低相关性，每个因子表征独立风格/板块特征。
   • 农产品与其他板块具有一定的负相关。

三、AI模型的应用

1. 随机森林算法：

   • 用于筛选重要因子，能够挖掘数据间的非线性规律。
   • 采用回归和分类两种方式，分别使用平均最小分裂节点和因子纯度（回归）、平均最小分裂节点和基尼系数降低（分类）作为因子重要性评估标准。
   • 随机森林模型能有效提升因子重要性判断的准确性。

2. 因子重要性分析：

   • 原始数据：商品国家因子“country_com”在多数指数中占据首位，动量因子“mom”排名第二。
   • 短周期数据：商品流动性因子“liquidity_com”和股票流动性因子“liquidity”对贵金属板块影响显著。
   • 长周期数据：中国CPI因子“cnpi”对商品市场解释力强，与商品抗通胀属性一致。

四、AI模型预测能力探索

1. 随机森林预测结果：

   • 表格8至表格11展示了随机森林对T+1周和T+2周的预测表现，显示其在不同周期的预测能力。
   • 回归方法中，因子重要性排名和指标值清晰，有助于模型优化。

2. 深度神经网络预测：

   • 表格12展示了深度神经网络多步预测胜率结果，进一步验证AI模型的预测能力。

关键信息总结

• 商品因子分为时序基础因子（可投资）和截面因子（不可投资），两者在投资策略和风险管理中各有优势。
• 时序基础因子表现优异，价值因子与期限结构因子尤为突出，具备长期稳定收益。
• 截面因子具有更强的解释力，能有效捕捉不同板块的风险敞口，支持更精细的投资模式。
• AI模型如随机森林和深度神经网络在因子重要性评估与预测方面表现出色，尤其在捕捉非线性关系和提升预测准确率上具有优势。
• 因子重要性在不同周期和不同模型中存在差异，国家因子在所有模型中均表现突出，其他因子如CPI、动量等也有显著影响。

图表与数据说明

• 图1至图34展示了商品因子在不同板块和周期中的暴露权重及收益率表现。
• 表格1至表格13汇总了因子重要性排名及指标值，为模型优化和因子选择提供依据。
• 数据来源主要为Wind、天软和华泰期货研究院，具备较高的可信度和代表性。

附录信息

• 附录包含商品与股票因子代码表，便于读者查找具体因子的中文名称。
• 详细数据及模型参数可参考原文，为后续研究提供数据基础。

结论

本文系统阐述了商品因子体系与AI模型在投资研究中的应用，强调了因子重要性评估和预测能力对投资策略优化的重要性。通过多因子模型和AI算法的结合，能够更全面地理解和预测商品市场的走势，为投资者提供有力支持。