沪银机器学习择时研究——宏观量化系列深度报告（四）

研究背景与目标

• 研究背景：商品市场受宏观定价和产业供需影响，传统方法在趋势市中有效但在震荡和政策扰动阶段稳定性下降，梯度提升树等方法需严格时间序列切分和信息时点控制。
• 研究目标：
  • 预测沪银未来5个、20个交易日的涨跌方向并输出上涨概率。
  • 建立滚动Walk-Forward的训练—验证—测试流程，明确训练集长度、间隔和样本外评级标准。
  • 整合多类因子形成可解释的特征池，制定全样本多空与高置信交易规则，并与基准策略比较。

研究原理与方法框架

• 标签形式：定义未来5日或20日涨跌方向，模型输出上涨概率并据此形成仓位。
• 滚动Walk-Forward：每一折仅用过去窗训练、紧邻验证窗调参、其后测试窗评分，沿时间向前滑。
• 模型原理：主模型为XGBoost，辅以Logistic回归，折内特征筛选Top-N因子。
• 验收框架：AUC和方向准确率分级，辅助维度包括高置信提升、盈亏比、夏普、最大回撤和过拟合缺口。
• 指标介绍：方向正确率（DirAcc）、AUC、IC/ICIR、高置信准确率与Lift、过拟合缺口。

数据来源与处理

• 标的与样本：沪银，日度面板3460个交易日，非重叠5日K线约692根，周度面板731周。
• 因子体系：量价技术、宏观流动性、风险偏好、市场结构、基本面、事件哑变量（含后加工强因子）。
• 标签与价格处理：使用加权收盘价格计算收益，5日和20日标签收益分别为ln(P_t+6/P_t+1)和ln(P_t+21/P_t+1)。
• 缺失值、对齐与防泄漏：日历对齐和as-of处理，树模型容忍部分缺失，线性模型用训练集中位数填充，严禁使用测试折信息。
• 训练、验证、测试集设计：5日滚动步长2，OOS约309个点；20日滚动步长4，OOS约579个点，采用非重叠K线。

模型选择与训练结果

• 候选模型与选择逻辑：比较XGB、XGB+LGB、分类加回归、逻辑回归等，选择标准包括样本外表现、2022年后稳定性、高置信提升、相对基准净值回撤、可解释性和可维护性。
• 模型运行结果：
  • 5日XGBoost单模型DirAcc 60.19%，AUC 0.608，接近优秀；融合模型DirAcc 61.88%，整体良好。
  • 20日XGBoost单模型DirAcc 62.5%，AUC 0.618，整体良好，中周期方向更可分。
  • 模型输出概率多数分布在0.4—0.55之间，滚动准确率与AUC随时间波动，2024年后相对更高。
  • 分年方向正确率显示2015、2025等年份较强，2016、2020等年份较弱。

回测规则与结果

• 回测规则：
  • 仓位：+1（做多）、-1（做空）、0（空仓），毛收益按仓位乘收盘对数收益，扣开平手续费。
  • 买卖价格：加权均价计算，5日开仓T+1均价、平仓T+6均价；20日开仓T+1均价、平仓T+21均价。
  • 信号规则：全样本多空（p≥0.5做多，否则做空），高置信（p≥up做多，p<1-up做空，默认up=0.62）。
  • 基准策略：买入持有、双均线、多因子线性Ridge。
  • 未计入滑点、冲击、保证金占用等。
• 回测结果：
  • 5日：
    • 买入持有净值约4.72，年化28.53%，夏普0.95，盈亏比1.43，最大回撤24.20%。
    • 5日单模型净值约4.03，年化25.28%，夏普0.87，盈亏比1.38，最大回撤22.98%。
    • 双均线策略表现最好。
    • 高置信软阈值0.55—0.56表现优于全样本多空，但更松的0.53—0.54更优。
  • 20日：
    • 多空净值7.73，明显高于持有（4.68）和双均线（4.81），盈亏比接近2。
    • 回撤超过30%，需优化仓位管理。
    • 高置信0.53—0.54覆盖58%—69%，子集正确率约67%，盈亏比约1.92—2.33，净值5.2—5.9。
    • 满仓多空优于各档高置信。

总结

• 主要结论：
  • 5日XGBoostDirAcc 60.19%，融合模型61.88%；20日XGBoostDirAcc 62.5%，均接近优秀水平。
  • 5日单模型和融合模型多空净值约4.03和3.33，低于买入持有（4.72）和双均线（6.42）。
  • 20日多空净值7.73，高于持有和双均线，但回撤超过30%。
  • 高置信默认0.62在沪银上样本不足，0.53—0.54表现更优。
• 应用建议：
  • 5日更适合过滤器，不适合主仓。
  • 20日多空超额明显，但需优化回撤，手续费轻影响结论。
• 后续计划：
  • 继续寻找5日模型成员，看融合能否跨过62%。
  • 优化20日模型，关注近0.5错因，探索均价成交验证。
  • 考虑手续费和展期影响，重新评估软阈值优势。