金工策略周报

股指期货基差与展期收益跟踪 主要内容 ★股指市场与基差点评： 节后市场持续上涨，小盘涨幅更高。上证50、沪深300、中证500、中证1000上周分别收收跌0.76%%、收涨1.38%、收涨3.49%、收涨3.37%。IH、IF、IC、IM的3月合约则分别收跌0.62%、收涨1.52%、收涨3.83%、收涨3.35%。 分行业看，电子、计算机贡献了上证50主要的涨幅，电子、电力设备贡献了沪深300、中证500、中证1000主要的涨幅。 ★股指期货分红预测： 2406和2409合约已经开始交易分红预期。预计上证50、沪深300、中证500、中证1000基于2023年报的分红点数分别为72.5、99.2、98.3、90.7。 ★股指期货基差情况跟踪： 各品种基差均随着市场上涨持续走强。IH、IF、IC、IM剔除分红的当季合约年化基差率周度均值分别为1.99%、1.48%、-1.51%和-4.73%，较上周分别走强1.37%、1.45%、1.87%、1.42%。由于场外衍生品大多敲入，目前股指期货所有品种基差都与市场呈强正相关，在市场情绪较好、基差偏强运行的预期下，建议空头对冲持有近月合约，待成本合适时切换至远季合约锁定对冲成本，多头则推荐继续持有前期贴水较深时的仓位，并择机平仓。（注：股指期货基差=期货收盘价-现货收盘价） ★股指期货展期收益测算与持有合约推荐： 各品种跨期价差较平稳。股指期货后续展期策略推荐多近空远。当前IF、IH近月贴水、远月升水，推荐多头持有近月合约，空头持有远季合约；预计IC和IM基差短期内上行，长期贴水将有所扩大，建议空头短期持有近月合约，待对冲成本合适时移仓至远季合约锁定成本。 各品种基差受乐观市场情绪影响偏强运行 股指期货基差期限结构：品种间延续分化 •基差修复后IH、IF回归contango结构；IC、IM维持较深的Back结构 股指期货展期收益跟踪： 主要内容 ★跨期套利策略： IH基差规律受场外和中性策略影响小，因而期限结构稳定，长期动量策略取得稳定收益，2024年以来取得累计收益5.3%，但是由于价差波动和对冲资金带来的交易摩擦小，年化基差率因子收益不佳。 IF和IC近期跨期价差受对冲资金影响大，期限结构波动较大，因而跨期套利策略波动和回撤增加，动量因子表现不佳。 由于近期基差期限结构受市场情绪影响较强出现明显收敛，IC、IM年化基差率因子明显回撤。 ★跨品种套利策略： 线性组合：信号方向以看多小盘-大盘价差为主，近一周表现较好，IF&IH组合、IC&IF组合、IC&IH组合分别取得3.7%、1.4%、3.0%的收益。非线性组合：IC&IF组合在样本内外的综合表现最佳，2024年以来取得收益10.4%，近一周收益5.1%。IF&IH组合表现平淡，IC&IH组合有较大回撤。 ★日内择时策略： 近一周IF的日内策略线性组合表现最好，取得1.4%的收益；非线性组合表现普遍比较平淡。 跨期套利策略——动量因子 动量因子：过去k个交易日跨期反套组合的收益率。策略构建：IH使用一年动量，IF、IC等权配置10、20、30、40、60、80、120、250个交易日的动量因子， 构建多周期动量策略。收盘价调仓，交易成本按单边万0.5考虑。 跨期套利策略——年化基差率因子 策略构建说明：根据当日14:45各期限合约剔除分红年化基差率日度调仓，做多年化基差率最低的合约、做空年化基差率最高的合约，距离到期日小于10天的合约不在选择范围内，收盘价调仓，交易成本按单边万0.5考虑。 跨品种套利策略——线性组合 跨品种套利策略——非线性组合 日内择时策略跟踪——线性组合 日内择时策略跟踪——非线性组合 国债期货量化策略跟踪 东证衍生品研究院金融工程王冬黎 量化模型最新策略观点（20240303） ➢（1）期货单边策略 •基于机器学习的日度多空量化择时策略净值本周震荡，最新策略信号偏多。 ➢（2）期货套利策略 •仓位调整后的跨品种久期中性基差套利策略本周净值有所回撤，策略最新信号目前推荐持有远季合约做空TS-T久期中性组合。 ➢（3）信用债中性策略 •基于远季合约的国债期货对冲压力指数延续反弹，当前信用债久期轮动加对冲策略持有高久期3-5年指数加国债期货对冲中性组合。 ➢（4）现券久期策略 •基于现券超额收益预测的债券久期轮动策略对3月偏中性，持有低久期1-3年指数，不同久期指数持有收益预测值较上月继续下降。 策略跟踪：国债期货日度策略 ➢LSTM模型高频量价日度策略 •基于机器学习的日度多空量化择时策略净值本周震荡，最新策略信号偏多。 策略跟踪：国债期货久期中性跨品种套利 ➢久期中性跨品种套利策略 •仓位调整后的跨品种策略本周净值有所回撤，主要因近期基差走阔以及曲线变陡，策略最新信号目前推荐持有远季合约做空TS-T久期中性组合。 •策略2021年至今年化收益6.3%，最大回撤2.5%，夏普比率1.87。 策略跟踪：信用债久期轮动加对冲 ➢信用债轮动加对冲中性策略 •基于远季合约的国债期货对冲压力指数延续反弹，当前信用债久期轮动加对冲策略持有高久期3-5年指数加国债期货对冲中性组合。 策略跟踪：国债久期轮动 ➢债券久期轮动策略方面，截至2023年5月久期轮动策略年化超额收益1.26%，2013年月度持仓情况为1-4月持有高久期5-7年指数，5-9月持有低久期1-3年指数，10-24年2月持有高久期5-7年指数。 ➢久期轮动策略久期轮动策略对3月偏中性，持有低久期1-3年指数，不同久期指数持有收益预测值较上月继续下降。 主要内容 ★商品因子表现： •最近一周不同类风格因子的表现有较大差异，其中量价趋势类因子跌幅明显，持仓类、价值类、仓单类因子跌幅相对较小，仅基差类和期限结构类因子获得正收益。 •近期量价类因子表现相对较差，均为负收益。另外波动率因子跌幅明显，意味着近期继续做多波动率的策略难有较好表现。 •今年以来各类因子的收益基本为负值，但尽管CTA因子近期的表现差强人意，但我们认为商品市场仍存在一定的盈利空间。 ★截面因子复合组合： •以Carry、Warrant、Futurespot和Trend类因子构成的，CWFT组合（权重比为5:2:2:1）最近一周收益-0.18%，今年以来的收益-0.06%。C_frontnext& Short Trend组合最近一周收益-0.07%，今年以来的收益-0.64%，Long CWFT & Short CWFT组合最近一周收益-0.19%，今年以来的收益-1.32%。截面XGBoost组合最近一周收益-0.1%，最近一月收益0.6%，今年以来1.7%，最近半年收益6.2%，最近一年收13.1%。 ★时序因子复合组合： •规则型多空信号的时序策略，其中夏普加权组合的今年以来收益-2.6%，最近一周收益-0.7%。时序XGBoost组合该策略最近一周收益-1.2%，今年以来-0.6%，最近半年收益1.4%，最近一年收益5.7%。 截面单因子策略的表现 •截面单因子策略的回测设置，区间20091231至今： 1.按周进行调仓，每周倒数第二个交易日结束后计算新一期的持仓权重，第二天（即每周最后一个交易日）进行交易；2.交易价格用期货主力合约的结算价，而期货主力合约则是我们自定义的主力（主要参考了持仓量占比*0.7+成交量占比*0.3，并连续两天确认信号）；3.暂时不考虑交易费率（但我们会计算换手率，并按照万分之三计算交易成本）；4.持仓品种仅按流动性进行筛选，剔除日均成交额不足5亿元、日均成交量不足1万手的品种；5.不加杠杆，权重由因子相对大小映射得到，假设某期截面品种数为N，将截面因子值从小到大排序得到序号R，用R-(N+1)/2为线性地分配权重的依据。 商品截面单因子的业绩表现 •最近一周不同类风格因子的表现有较大差异，其中量价趋势类因子跌幅明显，持仓类、价值类、仓单类因子跌幅相对较小，仅基差类和期限结构类因子获得正收益。 •近期量价类因子表现相对较差，均为负收益。另外波动率因子跌幅明显，意味着近期继续做多波动率的策略难有较好表现。 •今年以来各类因子的收益基本为负值，但尽管CTA因子近期的表现差强人意，但我们认为商品市场仍存在一定的盈利空间。 •长期来看，期限结构类（C）、期现类（Fs）和仓单类（W）因子整体收益水平较高，夏普值均超过了1，同时也具有相对较低的换手率。 截面因子复合策略 以普通复合方式得到的组合 •以Carry、Warrant、Futurespot和Trend类因子的简单复合组合，同一大类内部的因子等权，而不同的大类之间则以一定权重再复合 CWFT组合：C\W\Fs\T四类因子内部等权相加得到大类复合因子，再以5:2:2:1的权重复合因子值 两种以另类复合方式得到的组合 •C_frontnext& Short Trend组合：在不改变长期价差因子持仓方向的前提下尽可能地对冲掉短期价格波动的负收益。C_frontnext为主因子，Short Trend（窗口参数为20日的16个趋势因子）为副因子 •Long CWFT & Short CWFT组合:同一类因子不同的窗口参数可以捕捉短期、长期的收益，而不同风格类的低相关性因子聚合在一起可以一定程度上平滑收益，故可以综合考虑不同大类、不同参数的因子。C\W\Fs\T四类因子内部等权复合后再以5:2:2:1复合，长周期的CWFT因子为主因子，短周期的CWFT因子为副因子 机器学习组合-XGBoost •基于全市场训练得到的时序因子XGB组合在未扣费、无杠杆情况下，2020年至今年化收益为12%，夏普为2.14，换手率43.5倍，年化交易成本约1.3% •该策略最近一周收益-0.1%，最近一月收益0.6%，今年以来1.7%，最近半年收益6.2%，最近一年收13.1%。 •该策略用20091231-20191231之间的样本数据对XGBoost模型进行训练，其中训练样本仅考虑未来10天收益率绝对值超过一定阈值的样本，即剔除日常波动过低的样本，以降低训练噪声 时序因子复合策略 规则型时序策略 •对于连续值构成的因子而言，我们需要进行相应的规则计算以获得或多或空的持仓信号。而规则本身，实际上是判断当下指标“状态”相比过去某时点或某段时间内状态的相对变化。 •基本的规则：设置一些基本的“规则”，将原始连续指标值退化成{-1,0,1}的多空值 •origin:根据原始指标值（因为原始因子也是有意义的）的正负•difference:指标值的差分（一般反映趋势或动量强弱）的正负•cross:指标值与均线，或者指标值快慢均线的相对位置关系（上穿、下穿情况）•quantile：指标值与历史最大、最小值所构成区间内的相对位置•rankpct：指标值相较历史一段区间内数据的序号分位值•boll:指标值在Boll上下轨所构成区间内的相对位置 •时间窗口参数：避免参数的“精细化”，而是将原本窗口长度参数K粗粒化成三个变量 •短期S、中期M、长期L，短期表示1个月以内的时间窗口，中期表示1个月至4个月的时间窗口，长期则表示4个月至1年的时间窗口 •指标直接剔除：剔除分布严重“有偏”的指标多数为计算逻辑不通的 •大多数指标信号在{-1,0,1}上的分布是相对均匀的 因子的筛选依据 基于同一大类（共46个，量价21个，基本面25个）的池子内做筛选，然后将筛选后的基础因子复合成新的因子 a.默认首选样本内夏普值最大的因子b.判断新的因子是否夏普值超过0.5c.若满足，则要求真实年化收益能够覆盖交易成本，即大于“年换手*万分之三+ 2%”d.若满足，则判断该因子相较已入选的因子值之间的相关性，如果有任何一组相关性超过了0.3，则不入选e.最终将所有入选的该同类的因子的信号进行叠加，叠加后的信号标记为S，范围在【-1,1】f.统计该叠加后的信号S，在同一个样本内区间