报告日期：年7月8日
我们在系列报告中构建、优化、完善了基本面量化择时的方法体系，通过对黑色、能化、有色、农产品等期货品种的验证已经证明了方法的可行性、可靠性、先进性。
基本面才是驱动资产价格的本质规律，应用基本面量化方法可以从基本面数据出发预测未来的价格，模型在原油、汽油多个品种上交易胜率均超过75%。
原油择时有效的基本面指标：裂解价差、原油期货持仓、库存、运输费用、上市炼厂股价等指标择时效果较好。
★基本面量化策略表现
Brent原油期货：月度价格预测，年以来样本外回测年化收益率.5%，最大回撤-14.9%，年化夏普3.45，胜率高达77.8%，盈亏比4.19，卡尔玛比率6.81。
汽油现货：年以来样本外回测年化收益率51%，最大回撤-7.5%，年化夏普5，胜率高达77%，盈亏比5.79，卡尔玛比率6.91。
★基本面量化策略使用建议
建议机构投资者利用基本面量化的预测信号进行原油期货择时，辅助CTA、大类资产配置等策略中对原油趋势性机会的判断，择时策略年化夏普高达3.45。
建议实体企业利用基本面量化对汽油现货价格的预测更好地安排相关生产活动，现货价格预测的准确性很高，仅根据做多信号囤货就能实现年化20%以上的收益。
市场极端环境冲击
量化模型结果不能完全代表未来
1
原油基本面量化的方法：从基本面数据到预测模型
1.1、原油基本面
原油是重要的工业原料，原油加工能得到柴油、汽油、煤油、沥青等能化品，其价格走势对整个能化产业链都有着非常重要的影响。原油价格无论对于产业链企业还是金融投资机构都是的焦点问题，本文将建立基本面量化模型对原油、汽油等油类的价格进行预测。
原油产业链遍及全球，产业链数据涉及产油、炼油、运输、库存、消费多个环节，此外原油作为重要的大宗商品期货还产生了大量相关的衍生数据，Brent原油期货合约和WTI原油期货合约是全球原油价格的重要标杆。
原油的基本面数据，主要分为原油期货相关数据、EIA相关数据、石油生产数据、石油贸易运输数据、石油公司股价数据。由于实际细分项的基本面数据高达近千项，这里仅对部分代表性数据库的基本面数据进行部分展示。
原油的基本面数据数量较多、质量可靠，为基本面量化的良好结果打下了数据基础。由于原油基本面数据数量众多高达近千项，这里不一一列举。
1.2、预测方法：高维时间序列因子模型
基本面量化的预测问题本质是用多维的基本面数据来预测未来收益率，高维时间序列预测问题可以简单归结为利用高维数据来形成对某一特定时间序列的预测。
将上述高维时间序列预测问题利用金融学中常用的因子模型进行建模，这里直接引用Fanetal.（）中的表述。
以上表述中第一行为“预测”，第二行为“降维”。Y是需要被预测的变量，X是可以观测到的预测变量，即基本面数据指标。一般而言X是高维矩阵，需要降维，f是降维后得到的因子。
第一行预测最为简单的可以考虑线性预测，比如宏观经济学中多用向量自回归（VAR），当然也可以考虑其他非线性预测方法，重要的是依据数据特点和服务预测目的。
第二行降维常用因子模型（factormodel）的结构，通过降维将多维信息集中到少数变量中，便于预测、后续监控。因子模型在金融中极为常见，因子f可以是直接找的某种proxy，比如Fama-French三因子模型，也可以是直接从X中估计得到的，比如PCA估计因子的latentfactormodel。无论是宏观中的dynamicfactormodel还是金融中的
转载请注明：http://www.0431gb208.com/sjszyzl/2732.html
