本篇报告中，我们以综述的形式讨论了市面上常见的4种正交化方法、阐明了正交实践中遇到的问题与解决办法、设计了1种商品期货组合的配置模式、配比了1种因子收益率估计的优化方式。
　　回测效果来看，可作出以下结论：
　　(1)本报告提出的新配置方式——“作用于动态商品期货池、以截面回归方式来构建组合权重”的配置效果较好，其在本文入选的6个量价因子以—“未正交搭配简单移动平均SMA（ = 20）对因子收益率估计”的优化方式回测时，取得了11%左右的年化收益，夏普为0.85，最大回撤为0.2（见图表11）；
　　(2) 3种正交化方式是把双刃剑，其实质来源于共线性的双刃性质。在本文入选的6个量价类因子的回测中，使用未正交因子的回测净值——无论是对因子收益率未优化时回测得到的年化收益3.49%（见图表7）、还是使用简单移动平均SMA（ = 20）优化后回测得到的年化收益10.95%（见图表11），均优于相应的、基于正交化后因子的回测净值表现；
　　(3)对因子收益率估计的优化方式（简单移动平均）无论是针对非正交还是正交化后的因子均能提升策略有效性。
　　风险提示:本报告中所涉及的资产配比和模型应用仅为回溯举例，并不构成推荐建议。

研究报告全文：中信期货研究金融工程专题报告2023-01-31截面回归与因子正交的二重奏投资咨询业务资格证监许可2012669号组合优化专题报告一中信期货商品指数走势中信期货十年期国债期货指数中信期货沪深300股指期货指数中信期货商品指数119260报告要点本报告处理因子正交的问题该专题将以综述的形式讨论了市面上115220111180常见的4种正交化方法阐明了正交实践中遇到的问题与解决办法设计了1种针107140对于底层资产池为商品期货组合的品种权重配置模式配比了1种因子收益率估计1031002022320224202252022620227202282022920221020221120221220231的优化方式并进行回测总结该报告对应第1种配置模式作用于动态商品期货金融工程研究团队池以截面回归方式来构建组合权重是本专题的第一篇研究员周通摘要021-80401733从业资格号F3078183投资咨询号Z0018055本篇报告中我们以综述的形式讨论了市面上常见的4种正交化方法阐明了正交实践中遇到的问题与解决办法设计了1种商品期货组合的配置模式配比了1种因子收益率估计的优化方式期货多因子系列研究报告回测效果来看可作出以下结论专题报告五不同频率视角下的选期因子202212221本报告提出的新配置方式作用于动态商品期货池以截面回归方式来构建专题报告六基于深度学习的期货组合优化20221229组合权重的配置效果较好其在本文入选的6个量价因子以未正交搭配简单移动平均SMA20对因子收益率估计的优化方式回测时取得了11左右的年化收益夏普为085最大回撤为02见图表1123种正交化方式是把双刃剑其实质来源于共线性的双刃性质在本文入选的6个量价类因子的回测中使用未正交因子的回测净值无论是对因子收益率未优化时回测得到的年化收益349见图表7还是使用简单移动平均SMA20优化后回测得到的年化收益1095见图表11均优于相应的基于正交化后因子的回测净值表现3对因子收益率估计的优化方式简单移动平均无论是针对非正交还是正交化后的因子均能提升策略有效性风险提示本报告中所涉及的资产配比和模型应用仅为回溯举例并不构成推荐建议重要提示本报告难以设置访问权限若给您造成不便敬请谅解我司不会因为关注收到或阅读本报告内容而视相关人员为客户市场有风险投资需谨慎中信期货研究金融工程专题报告目录摘要1一整体框架3二正交化的方法与数学理论4一问题背景4二数学理论41共性52个性63回归取残差7三正交化实践中遇到的问题9一协方差阵的特征值分解中遇到复数和负值针对python用户9四组合加权和因子预期收益率的估计9一组合加权方式10二因子预期收益率的估计11五回测11一截面正交时期货品种少于因子数的相应处理11二若干种因子收益率估计方式的对比13六总结15图表目录图表1商品期货品种选择4图表2不同正交方法下的与定义方式6图表3使用以截面回归方式来构建组合权重的计算示意图10图表4直接跳过期货品种数目少于全体因子数目的交易日的回测净值图12图表5直接跳过期货品种数目少于全体因子数目的交易日的回测净值统计12图表6不跳过但人为截取理论个数个正交向量的回测12图表7不跳过但人为截取理论个数个正交向量的回测净值统计13图表8针对非正交化正交化因子的使用SMA优化方式的回测净值图不跳过但人为截取理论个数个正交向量的回测513图表9针对非正交化正交化因子的使用SMA优化方式的回测净值统计不跳过但人为截取理论个数个正交向量的回测513图表10针对非正交化正交化因子的使用SMA优化方式的回测净值图不跳过但人为截取理论个数个正交向量的回测2014图表11针对非正交化正交化因子的使用SMA优化方式的回测净值统计不跳过但人为截取理论个数个正交向量的回测2014请务必阅读正文之后的免责声明216中信期货研究金融工程专题报告一整体框架共线性是指标的资产的因子之间存在某种程度的线性关系共线性的存在不会影响回归系数的唯一性和无偏性但它会使得回归系数估计值的方差变大并且造成回归系数的置信区间变得很宽它的缺点是使得估计量的精准度和T值都收到影响从而导致一些因子通不过假设检验尽管这些因子对收益率存在显著影响即具有良好的解释力常见的判断共线性的方法涉及两个关键数第一个是条件数第二个是方差膨胀因子variationinflationfactor简记作vif具体而言条件数是因子相关系数矩阵的最大特征值与最小特征值的比值我们认为若条件数小于100则共线性程度较小若条件数大于1000则存在共线性而方差膨胀因子则是因子之间存在多重共线性是的方差与不存在多重共线性是的方差之比我们认为当方差膨胀因子介于0到10之间则不存在多重共线性若介于10到100并包含为10的情况则存在较强的多重共线性当其值大于等于100时则存在严重的多重共线性采用方差膨胀因子法检测共线性时对于已经中心化标准化的因子矩阵1计算其相关系数矩阵求得其逆为则其主对角元素为自2变量的方差膨胀因子记为自变量对其余1个因子回归的拟合度1可以证明2其相应的经济含义为某个因子的方差膨胀因子越1大其与另外1因子的越线性相关其解释力也就越容易被其他因子所替代共线性会影响回归效果那么直接的方法就是把共线性显著的变量进行剔除包括方差膨胀因子法逐步F检验-t检验主成分回归等但其缺点也是明显的基于这些方法我们最后只能保留解释能力最强的几个因子而有些因子则被剔除2此外也有相关研究表明这样的处理导致拟合度偏低出现欠拟合出于上述考量我们本文将考虑另一种方式因子的正交化本文提供了市面上常见的4种因子正交化方法的综述在此基础上设计了1种期货组合的品种权重配置方式请务必阅读正文之后的免责声明316中信期货研究金融工程专题报告图表1商品期货品种选择类别具体品种黑色类玻璃FG热轧卷板HC铁矿石I焦炭J焦煤JM螺纹钢RB不锈钢SS纯碱SA有色类沪铝AL沪铜CU沪锌ZN镍NI锡SN能源类石油沥青BU原油SC燃料油FU液化石油气PG低硫燃料油LU化工类聚乙烯L甲醇MA聚丙烯PP聚氯乙烯VPTATA乙二醇EG尿素UR苯乙烯EB软商品类棉花CF天然橡胶RU白糖SR纸浆SP短纤PF农产品类豆一A玉米C玉米淀粉CS鸡蛋JD豆粕M菜油OI棕榈油P菜粕RM豆油Y生猪LH资料来源中信期货研究所这里的因子正交化方法具体为回归取残差Schmidt正交化规范Canonical正交化对称Symmetric正交化而期货组合的品种权重配置方式为针对于动态商品期货池以截面回归方式来构建组合权重时间跨度为前后5个交易日本篇报告聚焦于量价类因子具体使用到的6个因子为分别是3日动量momd3243日动量momd24310日动量momd10243日最小二乘回归olsd2435日量价相关性cvd5和61日振幅ampd61g4其相应的因子构造逻辑可参见本团队之前的相关研报二正交化的方法与数学理论我们这里提供市面上常见的正交化方法相关的数学理论在实际应用中遇到的问题和解决办法一问题背景实际中拿到的因子往往具有共线性导致因子重复暴露我们希望通过正交化消除因子之间的相关性并保持因子对于收益的解释度不变因子正交化有多种方式目前市面上常用的有如下4种回归取残差Schmidt正交化规范Canonical正交化对称Symmetric正交化其中我们对第1种可以给出证明其实质上与Schmidt正交化是一致而后3种都是通过矩阵乘法又称线性变换因子旋转的方式来消除因子间的相关性二数学理论上述提到的3种正交化方式共性与个性并存我们这里先从其依据的线性代请务必阅读正文之后的免责声明416中信期货研究金融工程专题报告数理论基础出发了解一下其背后的简单逻辑1共性设定某个时间截面上市场上的期货数量为个入选的因子数量为个则该截面上的因子矩阵可以表示为111121其中第个因子在考虑的个期货上的暴露值简而言之即因子值为12我们的目标是找到一个过渡矩阵后再进行计算而这里通过矩阵乘法得到的就是正交化后的因子矩阵也即一个正交阵因此我们可以发现正交化的实质是对因子进行旋转让旋转后的因子满足两两正交且整体方差不变正交表明线性相关性为0方差可以刻画因子对于收益的解释度即旋转后也为正交阵用公式表达即为12012其中表示正交化后因子矩阵的列向量即因子的旋转过程是通过过渡矩阵定义在此过程中涉及到的线性代数知识包括L1实对称矩阵一定可以正交对角化L2实对称矩阵的特征值必为实数L3属于实对称矩阵的不同特征值的特征向量是正交的L4任何实对称矩阵都可以通过正交变换将其对角化具体的步骤如下第一步对于两个维随机向量和其元素分别记作和1其协方差矩阵定义为1111应当注意的是这里分母中无偏估计选取的1是区别于最大似然估计选取的此外在实际处理中我们对每个因子都将进行针对截面的z-score标准化满足均值为0和模为1标准化的意义在于正交与不相关的概念本来是不等价的正交不一定不相关但加上z-score标准化后正交等价于线性相关系数为0对于任意的1取则计算的协方差矩阵请务必阅读正文之后的免责声明516中信期货研究金融工程专题报告即为我们将1整体记作1111此为对称矩阵第二步根据正交阵定义其中倒数第一个和第三个等号分别是利用了已于上方注明的和的定义移项可得1第三步上述方程的通解是12其中为任意正交阵第四步根据前面提到的L4作为实对称矩阵可对角化即存在正交阵以及对角阵使得下式成立1第五步综上第三四步我们可以得到112122个性简要的概括一下我们上面提到的正交化的目标1其中2图表2不同正交方法下的与定义方式正交方法与定义方式前后关系定序与否其他优缺点Schmidt正交为上三角矩阵一一对应是初始因子不被正交12对称正交一一对应否正交前后因子相似12性最高规范正交时序不稳定是-12资料来源中信期货研究所请务必阅读正文之后的免责声明616中信期货研究金融工程专题报告我们这里再具体补充几个细节21Schmidt正交的问题在于需要确定因子的正交顺序正交顺序不同最终得到的因子不同如果想要保持正交前后因子的一一对应关系正交顺序不能随时间变化要保持一致我们使用时代码里的正交顺序是直接按照输入因子矩阵的顺序从左向右依次正交22对称正交的是一个对角阵因而叫作对称正交化它有很多良好的性质譬如其前后因子的一一对应关系稳定并且与因子的正交顺序无关这从的表达式就可以看出来因子顺序变化后对应的和列向量也调整但最终各因子对应的列的乘积是不变的对称正交是所有正交方法中使得旋转前后因子间的距离21最小的正交化方法这就保证了正交化前后因子的相似性依然很高信息损失小23规范正交中上方图表中已清晰表明取和12从而12其中为的协方差阵的特征向量阵因此实际上得到的是主成分分析中的所有主成分主成分分析的第一主成分根据方差最大的方向确定这就导致典型正交化前后因子的对应关系在时间上是变化的不稳定1是对角阵因子乘以2可以视作对因子的缩放3回归取残差这一部分的目的是为了证明前面提到的回归取残差这种正交方式其实质上与Schmidt正交化是一致首先我们简要地回顾一下Schmidt正交化方法Step1按照一定顺序把每个向量与之前所有向量进行正交Step2对于正交后的向量进行归一化最终得到的所有向量两两正交且模为1正交后的因子暴露矩阵为正交阵其具体计算步骤为1S11请务必阅读正文之后的免责声明716中信期货研究金融工程专题报告221S2211133312S33121122121S4121112211S5归一化1回归取残差的方法其过程类似于Schmidt正交化按照一定的顺序将每个因子向量同之前的所有向量回归取残差代替原值接下来证明Schmidt正交化与最小二乘下的回归取残差是一致的差别仅在于Schmidt正交化多了一步归一化Step1对于因子1之前没有别的因子不需要进行回归保持不变11Step2对于因子2做回归模型21由于因子进行了标准化均值为0所以参数的最小二乘估计量可以化简为1212111012用残差代替原值22121并且此时2的均11值仍为0Step3对于因子3RR31先跟1进行回归同上结果为133313111RR32再跟2回归结果为2333232223RR33把上式中用第一步回归的结果替换1323123131133231222112213233121122请务必阅读正文之后的免责声明816中信期货研究金融工程专题报告最后一个等号用到了120Step4以此类推对于任意的1都有121121112211跟Schmidt正交化归一化前的结果一模一样三正交化实践中遇到的问题从正交化的线性代数理论基础具体落地到python的自定义函数一般而言数学与代码的对照实现没有难度然而在实践中还是较频繁出现了一些典型问题因此有必要在这里进行阐明我们的发现总结与解决办法一协方差阵的特征值分解中遇到复数和负值针对python用户针对复数的处理CPLX1弃nplinalgeig使用sympy包的MatrixdiagonalizeCPLX2只取实部nprealifclose针对负数的处理NEG1负特征值给0并删除并删除相应特征向量NEG2特征值全体取正这里有必要多解释几句从线性代数的理论出发多因子的协方差矩阵是半正定的而不必正定这样就导致了特征值为0的情形而Python的正交分解实践中会虽然遇到复值或负值但复值的虚数部分和负值都极小接近于0其实质就是0只是计算机在运算过程中对较长小数位做了截断后再做正交分解是造成的后果也因此上述的CPLX2NEG1和NEG2在这里是合理的解决办法四组合加权和因子预期收益率的估计这一小节具体介绍一下加权方式针对动态期货池以截面回归方式来构建组合权重以及其中涉及到的因子预期收益率估计这一环节的优化思路请务必阅读正文之后的免责声明916中信期货研究金融工程专题报告一组合加权方式该方法的思路是受到期货样本池中期货合约上市日期的启发一般而言Barra模型是以其作为风险模型的定位受到市场的熟知和广泛应用譬如其针对中国A股市场推出的CNE5多因子模型等我们利用它主要是为了得到其在相应因子上的因子收益率作为风险暴露便于将收益与模型的多因子对照起来以考察相应的因子贡献而我们这里则是将因子收益率作为一个中间值用于我们之后预测收益率具体而言我们考虑了41种商品期货合约不同合约指数的上市日期有先后之分最早的日期是2005年1月4日如AALCCUM和RU最晚的日期为2021年1月8日如LH最早与最晚的上市日期相隔16年之久如果我们考虑一个静态的期货池即保持存在行情数据的每个截面的期货品种不变那么势必会极大地缩短回测的时间序列长度从而错失对之前数据的考量以及误判整个市场的全貌我们对此问题的解决办法是使用定长的5日窗口来在整个时间序列上滚动完成截面回归从而构建组合权重相应的图示如下具体而言我们首先定位在回看时间序列中的第日来开始我们的讨论基于此我们可以获得第2的多因子数据2和第日的收益率而后者是基于第日与和第1日成交量加权价1得到其次我们使用线性回归来求得第2的多因子数据2和第日的收益率的权重系数部分文献也将其称之为因子收益率再者我们将第期的因子收益率与这一期的因子值以点乘的形式来得到第2日的预测权重向量2经过归一化处理后其与第2日的期货实际收益率向量的乘积和即作为我们对整个期货组合的预测收益率图表3使用以截面回归方式来构建组合权重的计算示意图资料来源中信期货研究所请务必阅读正文之后的免责声明1016中信期货研究金融工程专题报告二因子预期收益率的估计在每一个截面上进行线性回归我们可以得到当期所有因子的收益率将同一因子不同截面的收益率依时间先后拼接汇总起来则可以得到该因子的历史收益率时间序列对于下一期因子预期收益率除了使用上一小节直接计算得到的数值我们还尝试了以下优化方式简单移动平均用过去个交易日的历史收益率均值作为下一期的因子预期收益率五回测我们将考虑多种组合方式未正交正交以及搭配动态商品期货池的以截面回归方式来构建组合权重其中使用的因子收益率除了直接使用原始值还考虑了以下几种情形过去日简单移动平均线5日和20日我们下面进行的论述更多的是从在量化回测中遇到的实际问题作为切入点以服务于量化实务为目标来铺陈上述提到的多种组合方式一截面正交时期货品种少于因子数的相应处理商品期货市场上不同期货品种合约上市日期不一致而不同因子计算时的回看期也不尽相同本篇研报在计算5日Barra回归的因子收益率时这两者引起的实际问题则是在极少数交易日中数值不为空期货品种数目少于全体因子个数从线性代数理论上讲这种情况下经由三种正交化方式得到的正交后的正交化线性无关的因子向量的个数应该小于等于期货品种数但python实际运行中并非如此譬如正交化后出现比理论规定的更多数目的向量针对这个问题我们尝试了两种方式第一种是直接跳过期货品种数目少于全体因子数目的交易日不对其进行考虑这样做的前提是这类型的交易日数目非常少不会对总体回测区间有较大影响第二中则是不跳过但人为地截取理论个数个正交向量以下是第一种情形的回测净值统计请务必阅读正文之后的免责声明1116中信期货研究金融工程专题报告图表4直接跳过期货品种数目少于全体因子数目的交易日的回测净值图资料来源同花顺iFind中信期货研究所对应的净值统计如下图表5直接跳过期货品种数目少于全体因子数目的交易日的回测净值统计正交与否年化收益年化波动最大回撤夏普卡玛未正交3171227028026011对称-02269021-003-001规范-0468802-006-002Schmidt0267102004001以下是第二种情形的回测净值统计图表6不跳过但人为截取理论个数个正交向量的回测资料来源同花顺iFind中信期货研究所请务必阅读正文之后的免责声明1216中信期货研究金融工程专题报告图表7不跳过但人为截取理论个数个正交向量的回测净值统计正交与否年化收益年化波动最大回撤夏普卡玛未正交3491233028028013对称-02569021-004-001规范-04368802-006-002Schmidt0317102004002从上方两张图表可以看到第二种方式略微优于于第一种方式譬如在未正交和Schmidt正交这两种方式的尝试中均有年化收益率的提升此外前者的夏普也得到提升那么下面的讨论我们都将采用第二种方式即不跳过但人为截取理论个数个正交向量进行回测二若干种因子收益率估计方式的对比下面是针对非正交化因子的优化方式简单移动平均SMA首先是5的简单移动平均SMA图表8针对非正交化正交化因子的使用SMA优化方式的回测净值图不跳过但人为截取理论个数个正交向量的回测5资料来源同花顺iFind中信期货研究所以下是净值统计结果图表9针对非正交化正交化因子的使用SMA优化方式的回测净值统计不跳过但人为截取理论个数个正交向量的回测5正交优化年化收益年化波动最大回撤夏普卡玛未正交SMA297106403102801对称SMA0984901402007规范SMA309586009053033SchmidtSMA-089477024-019-004资料来源同花顺iFind中信期货研究所其次是20的简单移动平均SMA请务必阅读正文之后的免责声明1316中信期货研究金融工程专题报告图表10针对非正交化正交化因子的使用SMA优化方式的回测净值图不跳过但人为截取理论个数个正交向量的回测20资料来源同花顺iFind中信期货研究所以下是净值统计结果图表11针对非正交化正交化因子的使用SMA优化方式的回测净值统计不跳过但人为截取理论个数个正交向量的回测20正交优化年化收益年化波动最大回撤夏普卡玛未正交SMA1095129302085055对称SMA211738015029014规范SMA-10161102-017-005SchmidtSMA-011616026-0020资料来源同花顺iFind中信期货研究所从上面表格中我们发现1对因子收益率估计采取简单移动平均SMA5优化后从年化收益最大回撤夏普的三元组视角来看规范正交SMA的回测净值以309009053优于未正交SMA的净值表现297031028此外这两者明显优于对称正交SMA和Schmidt正交SMA见图表9对因子收益率估计采取简单移动平均SMA20优化后未正交SMA的组合方式则明显优于任意一种正交SMA的方式见图表112针对未正交的因子收益率估计采取简单移动平均优化后其结果显著优于优化前即未优化的结果具体体现在前者年化收益1095优于后者的349夏普前者085优于后者028最大回撤前者02低于028对称正交SMA也优于仅仅对称正交的净值表现而规范正交SMA和Schmidt正交SMA这两种则出现相反的情形请务必阅读正文之后的免责声明1416中信期货研究金融工程专题报告六总结本篇报告中我们以综述的形式讨论了市面上常见的4种正交化方法阐明了正交实践中遇到的问题与解决办法设计了1种商品期货组合的配置模式配比了1种因子收益率估计的优化方式这里提到的4种正交化方法为回归取残差Schmidt正交化规范Canonical正交化对称Symmetric正交化而1种商品期货组合配置模式是作用于动态商品期货池以截面回归方式来构建组合权重1种因子收益率方式为简单移动平均回测效果来看可作出以下结论1本报告提出的配置方式作用于动态商品期货池以截面回归方式来构建组合权重的配置效果较好其在本文入选的6个量价因子以未正交搭配简单移动平均SMA20对因子收益率估计的优化方式回测时取得了11左右的年化收益夏普为085最大回撤为02见图表1123种正交化方式是把双刃剑其实质来源于共线性的双刃性质在本文入选的6个量价类因子的回测中使用未正交因子的回测净值无论是对因子收益率未优化时回测得到的年化收益349见图表7还是使用简单移动平均SMA20优化后回测得到的年化收益1095见图表11均优于相应的基于正交化后因子的回测净值表现这是由于本文入选的6个量价类因子的共线性能够众人拾柴火焰高般地有效预测并总体呈抬升净值的趋势但我们在上述回测曲线中也不乏看到在特定的短窗口基于未正交因子的回测净值线其上升下跌均较基于正交化后的因子的趋势猛烈也就是说我们需要客观的看待正交化这一工具基于正交化后因子的回测将削弱攀升趋势而上述配置下的对未正交因子回测的净值走跌时基于正交化后因子的回测将一扫颓势抬升净值曲线但也应该充分关注均线优化中参数对于行情的解释度的重要影响3对因子收益率估计的优化方式简单移动平均无论是针对非正交还是正交化后的因子均能提升策略有效性请务必阅读正文之后的免责声明1516中信期货研究金融工程专题报告免责声明除非另有说明中信期货有限公司拥有本报告的版权和或其他相关知识产权未经中信期货有限公司事先书面许可任何单位或个人不得以任何方式复制转载引用刊登发表发行修改翻译此报告的全部或部分材料内容除非另有说明本报告中使用的所有商标服务标记及标记均为中信期货有限公司所有或经合法授权被许可使用的商标服务标记及标记未经中信期货有限公司或商标所有权人的书面许可任何单位或个人不得使用该商标服务标记及标记如果在任何国家或地区管辖范围内本报告内容或其适用与任何政府机构监管机构自律组织或者清算机构的法律规则或规定内容相抵触或者中信期货有限公司未被授权在当地提供这种信息或服务那么本报告的内容并不意图提供给这些地区的个人或组织任何个人或组织也不得在当地查看或使用本报告本报告所载的内容并非适用于所有国家或地区或者适用于所有人此报告所载的全部内容仅作参考之用此报告的内容不构成对任何人的投资建议且中信期货有限公司不会因接收人收到此报告而视其为客户尽管本报告中所包含的信息是我们于发布之时从我们认为可靠的渠道获得但中信期货有限公司对于本报告所载的信息观点以及数据的准确性可靠性时效性以及完整性不作任何明确或隐含的保证因此任何人不得对本报告所载的信息观点以及数据的准确性可靠性时效性及完整性产生任何依赖且中信期货有限公司不对因使用此报告及所载材料而造成的损失承担任何责任本报告不应取代个人的独立判断本报告仅反映编写人的不同设想见解及分析方法本报告所载的观点并不代表中信期货有限公司或任何其附属或联营公司的立场此报告中所指的投资及服务可能不适合阁下我们建议阁下如有任何疑问应咨询独立投资顾问此报告不构成任何投资法律会计或税务建议且不担保任何投资及策略适合阁下此报告并不构成中信期货有限公司给予阁下的任何私人咨询建议深圳总部地址深圳市福田区中心三路8号卓越时代广场二期北座13层1301-130514层邮编518048电话400-990-8826传真075583241191网址httpwwwciticsfcom请务必阅读正文之后的免责声明1616