基于多因子体系的基差预测模型（二）：股指基差何去何从

核心观点

1. 同品种不同合约基差的有效因子存在显著区别，印证了各合约上交易群体、交易偏好的不同。
2. 不同时间段下的有效因子、相同因子的相关性均有差异，展示出不同市场环境下影响基差的因素有所不同。
3. 截面因子模型与时间序列模型相结合对预测效果有一定提升。

关键数据和研究结论

• 因子增添与筛选：
  • ETF 份额、市值数据与基差存在显著相关性，进取型 ETF 与基差呈负相关，稳健型 ETF 呈正相关。
  • CFTI 因子中，零售净持仓与基差呈正相关，机构净持仓呈负相关。
  • 添加期货收益率、波动率等因子，并通过相关性矩阵筛选，提升模型稳健性。
• 滚动筛选因子：
  • 滚动窗口动态因子筛选提升模型适应性。
  • 22年以前，超额类因子与年化基差呈负相关，25年相关性减弱，融券余额成为重要因子。
  • 波动率类因子由负相关转为正相关，规模指数 ETF 因子维持正相关且相关性上升。
• 全合约预测：
  • 预测对象拓展至全合约，保留市场整体基差特征，实现各合约基差走势的精细化研判。
  • 当月合约受短期行情影响较大，更偏投机属性；当季合约受中长期对冲需求影响较大，更偏对冲属性。
• 多模型融合：
  • 引入 AR 时间序列模型，形成截面信息+时序特征的双重预测逻辑。
  • 四模型结合后，IC 合约平均预测 MSE 约为 0.0374，平均方向准确率约为 61%。
  • IH、IF 合约预测效果类似，IM 合约预测效果略低。
• 总结：
  • 不同合约基差与因子的相关性有显著差别，近月合约方向更易预测，远月合约预测值偏差更小。
  • 因子相关性随时间变化，滚动筛选方式效果因合约、品种而异。
  • 时间序列模型方向准确性较好，机器学习模型预测精度更优。

风险提示

回测结果基于历史数据得出，不排除失效的可能。