★单品种预测体系
　　单品种的基本面择时是商品基本面量化策略的关键。从策略逻辑上来说，全品种基本面量化是各个单品种策略加权得到的，本质上是固定周期调仓的单品种择时研究；从策略实现角度来说，商品基本面数据与股票基本面数据不同，后者多数为标准化数据如PE、PB等，且截面交易品种多，适用于截面多因子模型；而前者的公布频段、量纲和统计口径各不相同，在横截面上不同数据间无法直接比较且交易品种较少，因此更好的策略构建方法是在时序上的单品种建模。
　　★基本面因子：数据调整–特征提取–有效性评价
　　本文依托于繁微数据库和相关品种分析师的整理，试图将基本面研究和量化投资相结合，兼顾主观的产业矛盾与量化的系统性分析，构造出有效的单品种择时信号。由于商品基本面数据的特殊性，我们在数据调整层面对不同基本面分类指标做了可得性处理、缺失值填充、频段调整等方法，并对经简单处理后的原始指标做了增长率、季节性分解和分数阶差分三种特征提取，最终以线性和非线性的评价指标入库，以形成特色的基本面因子库。
　　★高维信息集的降维预测
　　本文以可解释性为主要目的，构造了一个轻量型且可回溯的降维预测框架，并在样本外验证多周期效果。以单品种择时框架来说，模型选取面临的问题是如何在高维时间序列中提取出有效的信息，同时降低过程中的损失。前期尝试了PCA、PLS和因子分析对特征集降维，但该类方法的问题在于并未考虑目标变量（收益）的信息和仅包含特征间的线性组合。对此我们使用Fan et al（2017）提出的充分降维体系，构造高维信息集的低维表达，通过Xgboost模型预测，并在样本外验证五个品种的多周期效果。
　　★风险提示
　　指标和模型基于历史规律总结得出，不排除失效的可能。