智AI科技，慧投未来（上）.docxVIP

目录 一、 商品投研框架 5 基本逻辑 5 因子选取 7 模型基本方法 7 二、 数据预处理 8 多周期数据分解 8 多周期分解数据应用场景 9 三、 大宗商品因子模型 10 大宗商品因子背景介绍 10 基础因子 11 风格因子 11 宏观因子 17 商品板块指数及商品全市场指数 18 商品板块指数及商品全市场指数历史表现 19 构建截面因子 21 因子测试 25 大宗商品因子模型 26 四、 期股联动 28 中性板块相关性 28 板块与风格因子相关性 30 五、 AI 模型应用 32 深度神经网络模型介绍 32 深度神经网络模型构建 36 因子重要性判断 37 AI 模型预测结果对比 41 六、 总结 42 七、 参考文献 43 八、 附录 45 图表目录 按照周期分解数据 9 原油期货的三维期限结构 12 原油期货月度 curve（多第三个合约，空近月合约） 12 商品板块累计收益率表现 19 板块的月均持仓金额（亿元） 20 板块的月均持仓金额占比 20 2020 年板块收益率以及月均持仓金额增长情况（截止 2020-11-25） 20 与 wind 板块分类的相关系数（2010 至 2015 年） 21 与 wind 板块分类的相关系数（2016 至今） 21 多因子收益率的历史相关性（2010-06 至 2020-09） 24 表格 1: CCFI 对各个因子的测试结果 26 商品和股票板块之间相关性 29 材料（股票）与基本金属（商品）之间的协相关性 30 商品板块、商品风格因子及股票风格因子之间相关性 31 期限结构因子（商品）和 beta 风格因子（股票）之间的协相关性 32 深度神经网络模型与 AI 33 简单神经网络样式 34 卷积神经网络结构 35 多个输入节点，单一输出结果（平行学习层+汇合学习层） 37 多个输入节点，多个输出结果（平行学习层+汇合学习层） 37 随机森林原理示意图 38 因子重要性示意图 39 最小分裂节点示意图 40 表格 2: 平均 rmse 和平均胜率随着树颗数增长表现 41 表格 3：商品板块指数预测结果对比（随机森林 vs.深度神经网络） 42 表格 4: 华泰板块的划分标准 45 表格 5: 华泰商品，股票因子代码附录 46 一、 商品投研框架 基本逻辑 量化投研方法的核心目标是通过模型化方法提取各类金融（甚至密切相关的非金融类）数据背后蕴含的对标的物未来价格判断的信息。 有两个重要假设与本文密切相关，需要深入探讨： 数据集是否蕴含了标的物定价信息 量化模型是否能够提取数据中的有效信息 第一个问题的复杂度较高，我们将其分解成几个层次来考虑： 首先，在经济学层面，经济运行周期对大宗商品定价至关重要。无论是从库存周期（Kitchin inventory cycle~40 个月），还是固定资产投资周期（Juglar cycle~7-11 年），其综合作用的效果将投射到各类生产要素价格的相对强弱上，并体现出价格上下波动。同时，这一类型的影响因素不仅有更加坚实的理论依据和内在规律性，也是定性判断市场宏观特征的主要参考依据。但是，另一个方面，参考这类数据的市场参与者（或规则制定者），也越发娴熟利用这些经济周期规律，甚至为了抑制系统性风险，主动参与市场的逆周期操作。这为提取中长周期宏观数据的有效特征带来了越来越大的难度。 其次，从驱动力角度来看。金融工具一般来说，都有多个驱动因素，而在不同时段不同因素的重要性也有可能发生变化，极端情况下还有可能某个因素成为绝对的主导因素，而难以体现其他因素的影响效果。所以，一般意义上，对于驱动因素的判断主要基于历史数据 （针对基本面、宏观指标数据等）的统计分析；同时，结合国内政经环境和更大范围的全球经济态势做出阶段性判断。 再次，从市场博弈角度来看。任何标的物价格的形成都是交易者与其对手方在一次次的交易中形成。虽然，交易者的交易目的，持仓周期和风险偏好各不相同，但是一般都是基于明确的主观目标，并根据自身掌握信息来进行交易。一段时间内的价格形态和技术指标分析，都有助于对市场博弈情绪的判断，从而更敏感把握市场动态。 综上所述，市场的复杂度造成了我们提取市场有效信息的难度。究其原因，上面所提到的各个层面的信息最终都将叠合到市场交易行为中来形成价格，并且一般而言难以确定单笔交易的关键属性。所以，统计分析工具目前依然是金融数据分析的基础性工具; 而新引入的数据分析方法是否能够更助于分解出数据中有用的信息就是我们投研方法论的一个重点研究方向。