★主要内容
　　我们在前序系列报告中对国债期货量价因子挖掘和因子合成方法论进行了研究，初步形成因子池动态筛选与合成的方法论框架。本篇报告我们将从两个方面进行进一步细化，首先进一步丰富完善逻辑指标池；其次，我们进一步探讨仓位优化建模，将自定义损失函数用于LSTM模型。
　　逻辑指标单因子表现方面，基于滚动回归和样本内指标筛选与样本外预测框架，指标样本外表现整体上两年期优于五年期优于十年期，利差分析、资金市场、量价指标等大类因子在不同品种上均表现较佳。指标多空收益方面，多头策略表现优于空头策略表现，按历史年份拆解后在市场下行期空头表现优异。
　　线性回归模型我们设置多个窗口分析降维因子多元线性回归在样本外的表现。整体上，五债期货线性回归预测策略在不同窗口下策略效果综合来看最为优异和稳定，十债期货亦较佳，两债期货稍逊色。基于2022.01~2022.12作为测试集的窗口策略效果相对最优，对应十债期货夏普比率2.95，五债期货夏普比率2.88。
　　机器学习模型策略构建我们分为不进行仓位管理与进行仓位管理的两种建模方式，仓位优化模型包括MSE损失函数、夏普损失函数和信息比率损失函数三种训练框架，仓位管理基于5%的目标波动率进行。机器学习模型因样本有限，不再设置多窗口。策略效果方面，测试集上不同品种上平均夏普最优的模型为加入仓位缩放的MSE损失函数模型，其次为夏普损失仓位优化模型；十债期货最优模型为夏普仓位优化模型（夏普率为2.75），五年期与两年期国指期货最优模型为加入仓位缩放的MSE损失函数模型（夏普率为4.16和2.73）。
　　最后，我们构建基于国债期货的多策略多品种组合模型，取得年化收益6.6%，年化波动率2.1%，最大回撤0.7%，夏普率3.09的测试集表现。
　　★风险提示
　　量化模型有效性基于历史数据得出，不排除失效的可能。
　　

研究报告全文：深度报告金融工程国债期货量化系列三择时模型仓位管理优化方法探究T报ab告le日R期ank2022年12月18日王冬黎金融工程首席分析师从业Ta资bl格e号AnalysFe3r032817主要内容投资咨询号Z0014348我们在前序系列报告中对国债期货量价因子挖掘和因子合成方法Tel15802167045论进行了研究初步形成因子池动态筛选与合成的方法论框架dongliwangorientfuturesEmail本篇报告我们将从两个方面进行进一步细化首先进一步丰富完com善逻辑指标池其次我们进一步探讨仓位优化建模将自定义损失函数用于LSTM模型逻辑指标单因子表现方面基于滚动回归和样本内指标筛选与样本外预测框架指标样本外表现整体上两年期优于五年期优于十金年期利差分析资金市场量价指标等大类因子在不同品种上均表现较佳指标多空收益方面多头策略表现优于空头策略表融现按历史年份拆解后在市场下行期空头表现优异工程线性回归模型我们设置多个窗口分析降维因子多元线性回归在样本外的表现整体上五债期货线性回归预测策略在不同窗口下策略效果综合来看最为优异和稳定十债期货亦较佳两债期货稍逊色基于202201202212作为测试集的窗口策略效果相对最优对应十债期货夏普比率295五债期货夏普比率288机器学习模型策略构建我们分为不进行仓位管理与进行仓位管理的两种建模方式仓位优化模型包括MSE损失函数夏普损失函数和信息比率损失函数三种训练框架仓位管理基于5的目标波动率进行机器学习模型因样本有限不再设置多窗口策略效果方面测试集上不同品种上平均夏普最优的模型为加入相关报告仓位缩放的MSE损失函数模型其次为夏普损失仓位优化模型国Ta债bl期e货An量al化ys系er列一国债期货量价因十债期货最优模型为夏普仓位优化模型夏普率为275五年子挖掘国债期货量化系列二国债期货择时因期与两年期国指期货最优模型为加入仓位缩放的MSE损失函数子合成模型夏普率为416和273最后我们构建基于国债期货的多策略多品种组合模型取得年化收益66年化波动率21最大回撤07夏普率309的测试集表现风险提示量化模型有效性基于历史数据得出不排除失效的可能重要事项本报告版权归上海东证期货有限公司所有未获得东证期货书面授权任何人不得对本报告进行任何形式的发布复制本报告的信息均来源于公开资料我公司对这些信息的准确性和完整性不作任何保证也不保证所包含的信息和建议不会发生任何变更我们已力求报告内容的客观公正但文中的观点结论和建议仅供参考报告中的信息或意见并不构成交易建议投资者据此做出的任何投资决策与本公司和作者无关有关分析师承诺见本报告最后部分并请阅读报告最后一页的免责声明金融工程-深度报告2022-12-18目录1国债期货择时逻辑指标511指标介绍512数据处理72全部指标滚动窗口预测效果分析821模型构建基本说明822指标样本外表现823指标多空收益情况统计924不同年份指标表现分析113指标筛选与降维124机器学习模型损失函数自定义1341预测目标的改进思路1342建模与回测基本说明145策略结果1551线性模型滚动窗口预测1552基于不同损失函数的机器学习模型17521基于预测收益率策略效果19521通过优化仓位策略效果19522多策略多品种混合模型216风险提示227附录232期货研究报告金融工程-深度报告2022-12-18图表目录图表1国债期货择时逻辑指标大类介绍5图表2国债期货择时逻辑相关的基础因子池5图表3数据可得性处理方式7图表4各大类因子测试集夏普率为正的指标占比十年期国债期货8图表5各大类因子测试集夏普率为正的指标占比五年期国债期货9图表6各大类因子测试集夏普率为正的指标占比两年期国债期货9图表7全样本滚动回归夏普率为正指标占比T10图表8测试集滚动回归夏普率为正指标占比T10图表9全样本滚动回归夏普率为正指标占比TF10图表10测试集滚动回归夏普率为正指标占比TF10图表11全样本滚动回归夏普率为正指标占比TS10图表12测试集滚动回归夏普率为正指标占比TS10图表13不同年份滚动窗口回归预测夏普为正的指标占比十年期国债期货11图表14不同年份滚动窗口回归预测夏普为正的指标占比五年期国债期货11图表15不同年份滚动窗口回归预测夏普为正的指标占比两年期国债期货12图表16指标删选与因子降维12图表17建模与回测基本说明14图表18线性回归不同样本窗口划分15图表19线性回归模型控制PCA最大维度后的因子解释能力15图表20线性回归模型样本外净值T16图表21线性回归模型样本外净值分析T16图表22PCA线性回归模型样本外净值TF16图表23PCA线性回归模型样本外净值分析TF16图表24PCA线性回归模型样本外净值TS17图表25PCA线性回归模型样本外净值分析TS17图表26机器学习模型不同样本窗口划分17图表27不同损失函数下三大品种测试集策略效果对比夏普率18图表28不同损失函数下三大品种验证集策略效果对比夏普率18图表29均方误差损失不加仓位的样本外净值19图表30均方误差损失不加仓位的样本外净值分析19图表31均方误差损失加入仓位的样本外净值20图表32均方误差损失加入仓位的样本外净值分析203期货研究报告金融工程-深度报告2022-12-18图表33夏普率目标加入仓位的样本外净值20图表34夏普率目标加入仓位的样本外净值分析20图表35信息比率目标加入仓位的样本外净值21图表36信息比率目标加入仓位的样本外净值分析21图表37三个模型仓位平均样本外净值21图表38三个模型仓位平均样本外净值分析21图表39多策略多品种组合策略净值22图表40多策略多品种组合策略净值分析22图表41全部指标降维因子前三成分与权重23图表42国债期货指标降维因子前三成分与权重24图表43利率利差指标降维因子前三成分与权重25图表44CFETS指标降维因子前三成分与权重26图表45宏观流动性指标降维因子前三成分与权重274期货研究报告金融工程-深度报告2022-12-181国债期货择时逻辑指标本篇报告我们将逻辑相关择时指标与算法挖掘的因子区分开来独立建模一方面前序报告国债期货量化系列二国债期货择时因子合成中算法因子占比八成以上体现不出逻辑指标的择时效果我们在本文中主要针对逻辑指标进行梳理建模另一方面我们进一步对逻辑指标进行扩充不再局限与日度基差价差成交资金等市场指标也加入不同频率的宏观流动性等指标丰富完全逻辑指标池针对不同频率不同公布时间规律的指标进行数据清晰标准化滚动窗口筛选与降维构建逻辑指标择时因子11指标介绍经整理目前国债期货择时逻辑指标主要包含国债期货指标利率利差指标现券与资金指标以及宏观与流动性指标四大类共计5260个初始指标其中国债期货指标包含两期债基差和期债量价期债基差主要衡量期债相对估值用来作为市场情绪指标期债量价为量价基础指标部分基于日度量价部分基于日内分钟数据计算得到例如分钟级价格数据的波动率峰度偏度等利率利差指标主要包括中债利率利差活跃券利差和期债隐含利差中债利率利差基于中债利率曲线关键点即期到期远期收益率和利差等指标构成活跃券利差基于国债期货可交割券中的活跃券到期收益率计算期债隐含收益率为基于转换后的国债期货结算价作为现券远期价格计算的收益率基于此计算不同期债品种的到期收益率利差现券与资金指标基于外汇交易中心CFETS的日度成交数据指标整理得到分别包含债券市场数据与货币市场数据主要为不同机构不同类型与久期债券成交情况宏观与流动性指标包含范围较广包括日度的国内与海外流动性指标月度的财政收支与国内和海外的宏观经济金融数据等图表1国债期货择时逻辑指标大类介绍国债期货指标利率利差指标现券与资金指标宏观与流动性指标期债基差中债利率利差CFETS现券市场金融数据期债量价活跃券利差CFETS货币市场财政收支指标构成期债隐含收益率利差全球经济国内经济资料来源东证衍生品研究院此外我们也对指标类型与子目录进行进一步梳理分别介绍每类指标的具体目录数据来源和是否由模型自主计算得到国债期货相关数据主要有自行计算得到债券数据特有数据源包括中债和CFTES宏观高频数据基于各产业数据库进行补充图表2国债期货择时逻辑相关的基础因子池指标大类子目录指标个数数据来源模型计算现券买入700cfets否现券市场现券净买入802cfets否现券卖出708cfets否5期货研究报告金融工程-深度报告2022-12-18买断式回购104cfets否货币市场质押式回购500cfets否信用拆借202cfets否中债利差24中债否中债利率228中债否利率利差活跃券利差12中债否期债隐含利差44wind中债是隐含到期收益率24wind中债是期债基差基差59wind中债是期现套利29wind中债是期债量价原始量价指标204wind是信贷144wind否金融数据货币条件34wind否流动性28wind否财政收支财政收支26wind否全球经济全球经济16wind否利润66统计局否增长8wind否就业28统计局否投资10统计局否景气度38wind否消费12wind否进出口72wind否通胀36wind否国内经济航运8wind否房地产136统计局中指院否房地产-高频数据736中指院否生产20统计局否生产-高频数据32钢联卓创等否电耗78统计局否电耗-高频数据16CCTD否制造业64wind中汽协中怡康等否制造业-高频数据12中怡康否资料来源东证衍生品研究院6期货研究报告金融工程-深度报告2022-12-1812数据处理逻辑指标池涵盖指标数据范围广频率与可得性也不一致因而我们分类进行数据处理准备工作数据准备工作主要包括确认指标历史公布日期根据公布规律调整数据用前值填充的方式变频日度数据等步骤对于需要差分等时序计算的指标先计算再进行前值填充具体而言国债期货指标利率利差指标和现券与资金指标均为日度交易数据当日可得无需公布日期调整宏观经济金融指标与高频产业数据需要一定的公布日调整主要宏观指标的公布日期历史时间序列我们均基于彭博经济日历查询得到对于无法获取具体公布日期的宏观经济指标如财政收支类指标和中观产业指标例如CCTD中怡康等我们均按可得性统一滞后N期处理图表3数据可得性处理方式指标大类公布日期调整日历公布日期调整说明日历数据来源现券市场--日度数据当日可得无货币市场--日度数据当日可得无利率利差--日度数据当日可得无期债基差--日度数据当日可得无期债量价--日度数据当日可得无社融信贷数据按社融公布日金融数据社融信贷彭博经济日历历调整流动性指标当期可得财政收支固定期数调整统一滞后一个月无欧元区制造业PMI终值欧元区服务业PMI终值美国ISM不同子类指标按实际公布日全球经济制造业PMI美国ISM服务业彭博经济日历历调整PMI美国Markit制造业PMI终值韩国出口等固定资产投资工业增加值不同子类指标按实际公布日工业企业利润进出口CPI历调整部分指标统一滞后一国内经济PPI社零官方PMI财新彭博经济日历到两期处理高频数据按三方服务业PMI财新综合PMI数据实际可得性情况处理财新制造业PMI失业率等资料来源东证衍生品研究院基于处理后的日度数据进行降维前我们将进一步进行标准化和缺失值处理为便于模型使用统一基于一年的窗口进行对全部指标进行滚动标准化处理对于历史时间较短的数据统一在标准化后用零值填充历史缺失数据单因子预测效果检验则为保留更多历史样本未进行滚动标准化处理7期货研究报告金融工程-深度报告2022-12-182全部指标滚动窗口预测效果分析21模型构建基本说明本部分我们基于滚动窗口线性回归的方法对全部逻辑指标对不同国债期货品种的预测能力进行分析单因子回归解释变量为标准化后的指标数据被解释变量为国债期货日度收盘价变化率滚动回归窗口为固定两年基于窗口内样本进行回归得到回归系数后基于最新解释变量数据对下一期国债期货收益率进行预测不同品种数据起点均为该品种上市时间我们从三个维度观测和评价逻辑因子的预测效果1基于样本窗口进行指标筛选并跟踪分析指标样本外表现2大类因子滚动窗口预测多头收益和空头收益拆解3大类因子分年份收益情况拆解22指标样本外表现我们以20211231为分隔基于此前滚动窗口预测表现进行指标筛选不同品种按实际上市时间作为起始时间以2022-01至2022-11作为测试集检验指标样本外预测效果指标筛选标准包括有效预测和净值结果两个维度首先指标在样本内滚动窗口预测的有效预测占比高于20有效预测占比的定义方法为滚动窗口回归显著的期数占窗口总长度的比率满足一定的有效预测占比可提升净值统计指标的有效性其次指标在样本内对相应品种收益率预测值的符号作为多空交易方向的策略夏普率为正在不同期货品种上的指标筛选数目靠前的大类较为接近但指标样本外表现有一定差异整体上两年期优于五年期优于十年期测试集夏普率为正的指标占比方面基于筛选数目排名前五的大类的平均值十年期国债期货为59五年期国债期货为61两年期国债期货为70基于筛选数目排名前八的大类的平均值十年期国债期货为55五年期国债期货为58两年期国债期货为72剩余大类因子由于筛选数据极少其比率计算意义不大整体来看两年期国债期货上指标样本外表现最为突出大类因子方面利差分析资金市场量价指标等大类因子样本外表现较佳图表4各大类因子测试集夏普率为正的指标占比十年期国债期货资料来源东证衍生品研究院测试集时间区间2022-01至2022-118期货研究报告金融工程-深度报告2022-12-18图表5各大类因子测试集夏普率为正的指标占比五年期国债期货资料来源东证衍生品研究院测试集时间区间2022-01至2022-11图表6各大类因子测试集夏普率为正的指标占比两年期国债期货资料来源东证衍生品研究院测试集时间区间2022-01至2022-1123指标多空收益情况统计不同指标在国债期货择时策略中的多头收益与空头收益情况拆解普遍关注度较高我们对全部指标在全样本与测试集的多空头收益情况进行分析基于全样本指标滚动回归预测多数指标的多头收益较为显著其中五年期国债期货全部因子多头信号夏普为正的指标占比最高为89五年期国债期货空头策略夏普为正的指标占比最高为37对于筛选后的指标测试集表现来看多头策略夏普为正指标占比最高的是两年期国债期货82空头策略夏普为正指标占比最高的为五年期国债期货52整体来看单因子的角度多头策略表现优于空头策略表现9期货研究报告金融工程-深度报告2022-12-18图表7全样本滚动回归夏普率为正指标占比T图表8测试集滚动回归夏普率为正指标占比T资料来源东证衍生品研究院时间区间品种上市至今资料来源东证衍生品研究院时间区间2022-01至2022-11图表9全样本滚动回归夏普率为正指标占比TF图表10测试集滚动回归夏普率为正指标占比TF资料来源东证衍生品研究院时间区间品种上市至今资料来源东证衍生品研究院时间区间2022-01至2022-11图表11全样本滚动回归夏普率为正指标占比TS图表12测试集滚动回归夏普率为正指标占比TS资料来源东证衍生品研究院时间区间品种上市至今资料来源东证衍生品研究院时间区间2022-01至2022-1110期货研究报告金融工程-深度报告2022-12-1824不同年份指标表现分析国债期货择时方面长期来看因子的多头表现往往由于空头表现我们按历史年份对多空头收益进行拆解发现本文梳理的逻辑指标在市场下行期空头表现优异长期空头表现不佳主要由于国债期货市场长期具有正Carry收益并非因子本身无法在下行期发挥出择时作用例如在2017年国债期货市场的熊市期空头部分夏普为正的因子占比在十年期国债期货上为73五债期货上为682020年空头部分夏普为正的因子占比十债期货为52五债期货上为68两债期货为59市场熊市与波动较大时期指标空头策略效果较佳说明基于逻辑因子构建国债期货多空策略对于上涨与下跌的环境均有一定适应度图表13不同年份滚动窗口回归预测夏普为正的指标占比十年期国债期货资料来源东证衍生品研究院图表14不同年份滚动窗口回归预测夏普为正的指标占比五年期国债期货资料来源东证衍生品研究院11期货研究报告金融工程-深度报告2022-12-18图表15不同年份滚动窗口回归预测夏普为正的指标占比两年期国债期货资料来源东证衍生品研究院3指标筛选与降维全部逻辑相关指标池数目较大共计5260个指标指标对国债期货收益率预测能力差异较大且指标间相关性较高我们采用先筛选再降维的方法先划分样本内样本外基于样本内窗口对指标进行筛选标准化与降维模型构建再带入样本外数据得到对应区间降维因子结果初步筛选的标准包括三个维度1数据最低样本长度要求为一年250个样本2指标数值重复数目不可超过303spearman相关系数在01的置信水平下显著经过初步筛选之后的指标我们进一步进行标准化与降维标准化包括指标的滚动标准化和基于动态训练集与测试集的标准化标准化后的指标我们进行基于动态训练集与测试集进行降维选取具有90解释能力的降维因子对于线性回归模型为控制解释变量数目我们对最大维度进行限制控制在64维之内机器学习合成模型则无此限制图表16指标删选与因子降维全部指标国债期货指标利率利差指标CFETS指标宏观流动性指标全部指标数目526031630830161620指标经初步筛选数目315715115538解释能力90降维数目12315197525资料来源东证衍生品研究院12期货研究报告金融工程-深度报告2022-12-184机器学习模型损失函数自定义41预测目标的改进思路前序择时系列报告中我们以最小化MSE的预测框架探讨从因子到模型等维度的额改进方法进而提升国债期货收益率价格变化率并非到期收益率的预测准确度本文我们进一步探讨LSTM模型损失函数的自定义设计以更好优化仓位管理问题首先将收益率预测改为波动率调整的收益率预测其次将损失函数由误差最小的预测问题改为基于夏普率或信息比率的仓位优化的应对问题具体而言波动率调整的收益率框架是在多品种CTA策略中较为常用的时序动量策略TSMOM通过基于多品种交易捕捉单品种动量并进行风险分散对于不同品种往往采用波动率标准化的方式进行仓位管理1NtTSMOMitgtirtt1Xtirtt1Nti1tii其中tgt为策略目标波动率t为品种波动率Xt为品种的仓位我们将波动率调整的收益率同时应用于收益率数值预测问题和仓位管理问题在基于MSE的损失函数框架下将被解释变量由收益率变为波动率调整的收益率波动率采用基于收盘价的20日滚动年化波动率的测算方法进而基于我们选取的逻辑因子对标准化后的收益率进行预测实证检验证明在机器学习模型训练中波动率调整的收益率预测效果确实优于原收益率预测且从数据持续性特征上该做法也优于采用重叠窗口的价格变化率作为被解释变量从逻辑上进行解释我们认为价格变化率的幅度更多由波动率簇集效应VolatilityClustering解释即高波动往往跟随高波动低波动往往跟随低波动因而幅度并不能完全从外生变量因子所解释对其进行波动率的标准化有助于提升因子的解释能力起到降低市场噪音的作用我们基于波动率调整后的收益率为待预测变量在回归问题的框架下给出不同目标函数的具体表达式基于MSE的损失函数可表示为2riLritt1msetit在仓位管理问题下波动率标准化的意义更为明晰品种波动率标准化可以在多品种组合中起到仓位缩放的作用基于波动率调整优化多品种组合的权重优化组合整体的收益风险比我们基于机器学习框架探讨模型直接预测最优仓位的可行性基于LSTM工具包自定义SharpeRatioInformationRatio等目标函数将预测收益率问题转化为优化仓位问题与常规MSE目标函数策略进行比较分析不同优化目标会机器学习模型训练效果与策略效果的差异基于收益率夏普率和信息比率进行仓位优化在经过调整后我们将相应的损失函数表示为13期货研究报告金融工程-深度报告2022-12-18tgtLreturnsRRtXtrt1trLRfsharpeRRbLinfonationRRb其中若以收益率为损失函数不利于控制仓位范围区间因而仅选取夏普率和信息比率作为目标函数42建模与回测基本说明我们对于建模和回测细节要点进行了梳理整体与前序报告差异不大在仓位管理方面我们采用5的目标波动率设置即训练过程中设置tgt为5并基于验证集策略实际波动率表现加入缩放系数将策略实际年化波动率控制在5左右的水平图表17建模与回测基本说明类型说明指标筛选基于样本内窗口进行指标筛选基于样本长度数据质量和相关系数三个维度指标均进行基于一年年固定窗口的滚动标准化并基于样本内窗口均值方差再进指标标准化行全样本的标准化指标降维基于样本内窗口构建PCA降维模型以此得到全样本降维因子数据可得性处理解释变量按实际公布日期进行可得性处理模型得到包含或不包含仓位的交易信号线性模型与MSE目标函数的机器学习模交易信号型以被解释变量预测值的符号作为多空方向不考虑仓位情况下均为单倍杠杆即-101三种交易信号模型拟合或被解释变量预测值缩放得到仓位结果最大杠杆率设置方面十年期仓位设置国债期货与五年期国债期货为5倍杠杆两年期国债期货为10倍杠杆目标波动率年化5基于验证集实际波动率表现进行仓位缩放调整建仓方式基于T日策略信号采用T1日收盘价建仓十年期国债期货移仓换月规则为万德主力合约切换后下一个交易日进行新旧合交易标的约切换策略频率日度信号若日度信号方向与仓位不变则不做调整资料来源东证衍生品研究院14期货研究报告金融工程-深度报告2022-12-185策略结果51线性模型滚动窗口预测不同期债品种的择时模型构建均基于特定日期划分样本内和样本外从品种上市至该样本划分日期均为样本内此后为样本外我们基于样本内进行指标有效性初步筛选与PCA降维后进行多因子建模预测对于线性模型我们观察降维因子多元线性回归在样本外的表现判断择时效果优劣我们设定三组不同的时间窗口用以观测策略样本外效果窗口分别基于202012202106202112三个日期划分样本样本内进行线性回归样本外进行策略表现跟踪此外为控制线性回归模型参数数量我们限制用于线性回归的PCA降维最大维度为64维在此限制下全部因子降维后的解释能力的范围约630至734图表18线性回归不同样本窗口划分样本内样本外窗口1品种上市202012202101202212窗口2品种上市202106202107202212窗口3品种上市202112202201202212资料来源东证衍生品研究院图表19线性回归模型控制PCA最大维度后的因子解释能力十年期国债期货五年期国债期货两年期国债期货窗口1709734723窗口2661672668窗口3633643630资料来源东证衍生品研究院策略效果展示时我们将不同窗口期的净值曲线进行合并便于观测即下一个窗口测试集净值起点对应到前一个窗口同期净值净值统计不受影响样本外跟踪效果方面不加杠杆情况下五债期货在不同窗口下策略效果较为优异和稳定十债期货亦较佳两债期货稍逊色十债期货夏普率不同窗口夏普率范围为182至294年化收益率36至59五债期货不同窗口夏普率范围为20至288年化收益率57至80两年期国指期货不同窗口夏普率154至181年化收益率13至16整体来看十债与五债期货基于202201202212作为测试集的窗口上线性模型策略效果较佳其中十债期货年化收益率59年化波动率20最大回撤08夏普比率295胜率567五债期货年化收益率80年化波动率28最大回撤09夏普比率288胜率58315期货研究报告金融工程-深度报告2022-12-18图表20线性回归模型样本外净值T图表21线性回归模型样本外净值分析T样本外跟踪样本外跟踪样本外跟踪净值净值净值202112202106202012累计收益率514980年化收益率593643年化波动率202019最大回撤率-08-12-16盈亏比124114120胜率D567543547夏普比率294182230Calmar比743288264资料来源东证衍生品研究院资料来源东证衍生品研究院图表22PCA线性回归模型样本外净值TF图表23PCA线性回归模型样本外净值分析TF样本外跟踪样本外跟踪样本外跟踪净值净值净值202112202106202012累计收益率69102107年化收益率807457年化波动率282929最大回撤率-09-15-19盈亏比114114112胜率D583568550夏普比率288253200Calmar比841493309资料来源东证衍生品研究院资料来源东证衍生品研究院16期货研究报告金融工程-深度报告2022-12-18图表24PCA线性回归模型样本外净值TS图表25PCA线性回归模型样本外净值分析TS样本外跟踪样本外跟踪样本外跟踪净值净值净值202112202106202012累计收益率141828年化收益率161315年化波动率090908最大回撤率-05-06-05盈亏比112108104胜率D549544566夏普比率181154182Calmar比353230311资料来源东证衍生品研究院资料来源东证衍生品研究院52基于不同损失函数的机器学习模型策略窗口划分方面对于非线性模型我们进一步将样本外的窗口划分为验证集与测试集验证集的划分为了选择训练模型进而测试集上分析净值表现机器学习模型策略构建我们分为不进行仓位管理与进行仓位管理的两种建模方式前者基于MSE作训练损失函数框架下我们得到被解释变量的预测值基于预测值的符号构建无仓位管理的策略后者分为MSE损失函数夏普损失函数和信息比率损失函数三种训练框架对于MSE损失函数我们将被解释变量预测值根据目标波动率进行缩放得到仓位对于夏普损失函数和信息比率基于带仓位的训练模型直接得到仓位结果图表26机器学习模型不同样本窗口划分训练集验证集测试集窗口品种上市202106202107202206202207202212资料来源东证衍生品研究院我们以夏普率作为评价标准对策略效果进行综合比较在测试集上不同品种上平均夏普最优的模型为基于加入仓位缩放的MSE损失函数模型其次为夏普仓位优化模型十债期货最优模型为夏普仓位优化模型夏普率为275五年期与两年期国指期货最优模型为加入仓位缩放的MSE损失函数模型夏普率为416和273在验证集上十债期货策略效果普遍更优基于信息比率仓位优化模型平均夏普更优最后我们对三种仓位管理模型测算仓位均值实现相对单种模型更优的策略效果十债期货夏普率305五债期货夏普率475两债期货夏普率224模型合成进一步优化了策略收益风险比17期货研究报告金融工程-深度报告2022-12-18图表27不同损失函数下三大品种测试集策略效果对比夏普率资料来源东证衍生品研究院图表28不同损失函数下三大品种验证集策略效果对比夏普率资料来源东证衍生品研究院18期货研究报告金融工程-深度报告2022-12-18521基于预测收益率策略效果不加仓位的策略结果对于不同国债期货品种收益与波动指标差异较大测试集内五债期货波动相对其长期波动更高因而单倍杠杆的五债期货策略也处在较高的水平最大回撤水平与十债期货策略接近整体上不考虑仓位的话品种间策略表现差异较大两年期国债期货策略效果相对不佳五债与十债期货夏普率表现较好TTF与TS策略夏普率分别为204229099我们将不佳仓位的策略作为比较基准探讨基于不同方法加入仓位优化后的策略提升情况图表29均方误差损失不加仓位的样本外净值图表30均方误差损失不加仓位的样本外净值分析十年期国债五年期国债两年期国债期货T期货TF期货TS累计收益率242004年化收益率574609年化波动率282009最大回撤率-12-11-06胜率D585551盈亏比104123114夏普比率204229099Calmar比478423144资料来源东证衍生品研究院资料来源东证衍生品研究院521通过优化仓位策略效果相对不加仓位的基准策略基于MSE损失加入仓位缩放对于五债期货与两债期货策略效果提升较为明显夏普率分别提升至359和263十债期货夏普率变化不大基于夏普损失仓位优化模型不同品种策略表现均有稳定提升十债期货五债期货两债期货夏普率分别提升至275320149基于信息比率损失仓位优化模型十债期货五债期货两债期货夏普率分别为199321119相对基准十债期货表现有所不及五债与两债期货有一定提升我们基于三种仓位管理模型分别计算不同品种的仓位均值构建三模型组合策略实现较佳的不同品种上的风险收益比综合提升相应十债期货五债期货两债期货夏普率分别提升至305475224综合来看无论是单一仓位优化策略还是组合策略五债期货整体表现更为优异19期货研究报告金融工程-深度报告2022-12-18图表31均方误差损失加入仓位的样本外净值图表32均方误差损失加入仓位的样本外净值分析十年期国债五年期国债两年期国债期货T期货TF期货TS累计收益率277555年化收益率64182132年化波动率314448最大回撤率-14-12-20胜率D585551盈亏比111178160夏普比率208416273Calmar比4391511647资料来源东证衍生品研究院资料来源东证衍生品研究院图表33夏普率目标加入仓位的样本外净值图表34夏普率目标加入仓位的样本外净值分析十年期国债五年期国债两年期国债期货T期货TF期货TS累计收益率383123年化收益率907353年化波动率332336最大回撤率-18-10-17胜率D545454盈亏比139152114夏普比率275320149Calmar比516754311资料来源东证衍生品研究院资料来源东证衍生品研究院20期货研究报告