专题报告——金融工程

[Table_Title]

商品市场宏观风险因子模型预测分析

[Table_Rank]
报告日期： 2017 年 12 月 14 日 田钟泽 分析师(金融工程)
[Table_Summary]
★构建测试策略过程 从业资格号： F3020259
[Table_Analyser]
该报告的目的是筛选各品种有效的宏观因子集。构造测试策略 Tel: 8621-63325888-1589
时先根据因子集获得因子暴露，代入未来宏观因子获得收益预 Email: zhongze.tian@orientfutures.com

测后再决定多空操作，最后根据策略表现验证因子集有效性。
★重要结论
1、黑色系在 2016 年 9 月后出现较大回撤。原因可能是滚动最小
二乘法对暴露系数的时变特征不敏感。因此我们通过
DCC-GARCH 和卡尔曼滤波得到动态时变暴露系数来测试，结 相关报告
[Table_Report]
果有所提升，但是不太明显。最大原因在于当时房地产限购限
《商品市场宏观风险因子模型初探》
贷及去产能等政策因素对价格影响较大，宏观因子有效性降低。

金 2、有色整体表现一般，呈现一定的周期性特征，可能与经济周
融 期相关。能化各品种要好一些，筛选其因子集时我们根据的是
其整体的表现情况，因此在某些阶段可能因子集不是很有效。
期
货 3、在农产品中，汇率因素（美元指数）和经济景气指标以及通
胀指标影响较大，这些宏观指标在大部分时候对农产品的影响
都相对稳定，因此农产品在各个时期的表现都比较平稳。

4、筛选出的宏观因子并非在所有时候对品种都有效，在某些时
刻有效的因子在整个时期的占比较低也可能不被选入。而采用
滚动逐步回归法得到的因子对黑色系表现较好，其它品种一般。

5、宏观因子暴露系数的走势与宏观环境的变化密切相关。比如
15 年中国央行降息降准后，美联储也启动加息进程，利率风险
和经济周期风险影响开始变大。宏观指标预测难度较大，虽然
获得各品种有效宏观因子集，但预测未来收益率效果可能一般。
★风险提示
理论模型在实际情况下有失效风险。
★致谢
感谢东方证券研究所金融工程首席分析师朱剑涛老师指导。

重要事项：本报告版权归上海东证期货有限公司所有。未获得东证期货书面授权，任何人不得对本报告进行任何形式的发布、复制。本报告的信息均来源于
公开资料，我公司对这些信息的准确性和完整性不作任何保证，也不保证所包含的信息和建议不会发生任何变更。我们已力求报告内容的客观、公正，但文
中的观点、结论和建议仅供参考，报告中的信息或意见并不构成交易建议，投资者据此做出的任何投资决策与本公司和作者无关。
有关分析师承诺，见本报告最后部分。并请阅读报告最后一页的免责声明。
 专题报告 2017-12-14

目录

1、宏观经济因子库构建................................................................................................................................................... 5

1.1、因子库构建流程 ....................................................................................................................................................... 5

1.2、期货品种选择 ........................................................................................................................................................... 6

1.3、因子选择................................................................................................................................................................... 7

2、宏观因子集有效性和显著性检验.............................................................................................................................. 10

2.1、策略回测设臵及流程.............................................................................................................................................. 11

2.2、全部期货品种采用共同因子集回测 ....................................................................................................................... 12

2.3、方法一：采用全样本逐步回归法获得的因子集进行回测 ..................................................................................... 18

2.4、方法二：采用全样本逐步回归法获得大类的共同因子集进行回测 ...................................................................... 27

2.5、方法三：采用滚动样本逐步回归法获得因子集进行回测 ..................................................................................... 28

2.6、三种方法筛选出表现相对较好品种因子集 ........................................................................................................... 30

3、宏观经济解释及数据预测 ......................................................................................................................................... 34

3.1、各因子暴露变化趋势的经济解释 ........................................................................................................................... 34

3.2、宏观经济数据预测 ................................................................................................................................................. 38

4、结论 ........................................................................................................................................................................... 40

5、风险提示.................................................................................................................................................................... 41

【
行
业
研
究
】

2 期货研究报告
 专题报告 2017-12-14

图表目录

图表 1：宏观因子选择流程.......................................................................................................................................................... 5
图表 2：根据流动性筛选的可交易商品期货品种 ......................................................................................................................... 7
图表 3：宏观经济变量概况.......................................................................................................................................................... 8
图表 4：三种回归法筛选出的前六个因子 .................................................................................................................................... 9
图表 5：筛选出各因子之间的相关性矩阵 .................................................................................................................................... 9
图表 6：不同类别的宏观风险因子 ............................................................................................................................................. 10
图表 7：滚动配臵期货策略流程 ................................................................................................................................................ 12
图表 8：不同衰减系数下权重图 ................................................................................................................................................ 13
图表 9：不同参数下年化收益率 ................................................................................................................................................ 13
图表 10：不同参数下夏普率 ...................................................................................................................................................... 13
图表 11：不同参数下最大回撤 .................................................................................................................................................. 14
图表 12：不同参数下收益风险比 ............................................................................................................................................... 14
图表 13：逐步回归和 Lasso 回归得到因子集预测收益策略效果 ................................................................................................. 14
图表 14：逐步回归和 Lasso 回归得到因子集预测收益策略月度收益 .......................................................................................... 15
图表 15：各个期货品种收益分布 ............................................................................................................................................... 15
图表 16：逐步回归和 Lasso 回归得到因子集预测收益策略策略指标 .......................................................................................... 16
图表 17：岭回归法得到因子集预测收益策略效果 ...................................................................................................................... 16
图表 18：策略指标 .................................................................................................................................................................... 16
图表 19：采用逐步回归法获得各个大类前几个显著因子 ........................................................................................................... 17
图表 20：各大类回测净值 ......................................................................................................................................................... 17
图表 21：各大类策略回测结果 .................................................................................................................................................. 18
图表 22：采用全样本逐步回归法获得的各个品种前 5 个显著因子及 Adj-R2 ............................................................................... 19
图表 23：各期货品种回测净值与 Adj--R2 关系............................................................................................................................ 20
图表 24：两种不同回测结果对比 ............................................................................................................................................... 20
图表 25：滚动最小二乘法获得暴露得到的黑色系各品种净值 .................................................................................................... 21
图表 26：滚动最小二乘法获得暴露得到的黑色系各品种策略回测结果...................................................................................... 21
图表 27：黑色系回撤受到政策因素影响分析 ............................................................................................................................. 22
图表 28：DCC-GARCH 法得到的动态暴露系数回测净值 ........................................................................................................... 24
图表 29：DCC-GARCH 法得到的动态暴露系数回测结果 ........................................................................................................... 25
图表 30：Kalman 滤波法得到的动态暴露系数回测净值 ............................................................................................................. 25
图表 31：Kalman 滤波法得到的动态暴露系数回测结果 ............................................................................................................. 26

3 期货研究报告
 专题报告 2017-12-14

图表 32：采用全样本获得的因子集表现较好品种 ...................................................................................................................... 26
图表 33：采用全样本获得的因子集表现相对较好品种因子集 .................................................................................................... 27
图表 34：采用大类的共同因子集表现相对较好品种回测结果 .................................................................................................... 27
图表 35：采用大类的共同因子集表现相对较好品种因子集 ....................................................................................................... 28
图表 36：滚动 24 个月获得因子集表现相对较好品种回测结果 .................................................................................................. 28
图表 37：滚动获得因子合集表现相对较好品种回测结果 ........................................................................................................... 29
图表 38：滚动获得因子合集表现相对较好品种因子集............................................................................................................... 29
图表 39：统计检验不同策略的夏普率差别 ................................................................................................................................ 30
图表 40：正态分布检验 ............................................................................................................................................................. 31
图表 41：不同策略的方差齐性检验（p 值） .............................................................................................................................. 31
图表 42：不同策略的均值检验（p 值） ..................................................................................................................................... 31
图表 43：三种方法筛选出表现相对较好品种因子集 .................................................................................................................. 32
图表 44：三种方法筛选出表现相对较好品种因子集策略关键指标 ............................................................................................. 33
图表 45：三种方法筛选出表现相对较好品种回测净值............................................................................................................... 33
图表 46：三种方法筛选出表现相对较好品种回测净值............................................................................................................... 34
图表 47：焦炭对各因子暴露的变化趋势 .................................................................................................................................... 35
图表 48：焦煤对各因子暴露的变化趋势 .................................................................................................................................... 35
图表 49：螺纹钢对各因子暴露的变化趋势 ................................................................................................................................ 35
图表 50：动力煤对各因子暴露的变化趋势 ................................................................................................................................ 35
图表 51：铁矿石对各因子暴露的变化趋势 ................................................................................................................................ 36
图表 52：PMI 和宏观经济景气先行指数走势 ............................................................................................................................. 36
图表 53：中美利率变化趋势 ...................................................................................................................................................... 36
图表 54：中债国债到期收益率：10 年 ....................................................................................................................................... 37
图表 55：金融机构：中长期贷款余额（环比） ......................................................................................................................... 37
图表 56：近年来重要宏观事件以及影响的因子 ......................................................................................................................... 37
图表 57：PMI 各细项对 PMI 的拉动（经季节调整） ................................................................................................................. 39
图表 58：PMI 相关指标情况（经季节调整） ............................................................................................................................. 39

4 期货研究报告
 专题报告 2017-12-14

1、宏观经济因子库构建
1.1、因子库构建流程
这一节的内容主要是为了构建宏观经济因子库。宏观经济因子库的获得需要经过几个步
骤的筛选，包括因子数据获取，因子预处理，筛选有效性因子。这其中一方面涉及到期
货的收益率数据，另一方面涉及到宏观经济数据。而部分期货品种由于流动性较差，并
且上市时间较晚，不具备进行线性回归的条件，因此需要首先进行筛选。获得的宏观经
济数据有些可能存在滞后性，有些则是不平稳的序列，需要进行剔除。而且由于线性回
归对极值的敏感性较高，因此需要将因子中的极值剔除。

图表 1：宏观因子选择流程

流动性；
上市日期
因子数据
获取
实际值；环比值
同比值；差值

平稳性检验
因子预
因子去极值
处理
收益率处理

单因子有效性检验
筛选有效 逐步回归法筛选
因子 岭回归筛选
Lasso回归筛选

资料来源：Wind，东证衍生品研究院

做好数据的准备之后，我们可以用不同的回归方法来对因子进行进一步的筛选，在通过
单因子有效性检验的前提下，保留满足显著性要求的因子集合。

在得到的因子集合中我们可以进一步筛选，以得到宏观风险因子。这需要因子满足以下
几个条件：有效性（单因子通过有效性检验）、因子间低共线性、显著性（单因子在横
截面回归上显著的时间占比较高）、稳定性（风险因子的暴露值在滞后一期的截面相关
性的平均值超过 0.85）
。

获得宏观经济因子集合之后，后续第二章内容将获得收益率对因子集合的暴露，并且用
下一期已知的宏观数据代入得到收益率预测，并对期货进行滚动配臵，以说明因子集合
与未来收益率之间的关系。

5 期货研究报告
 专题报告 2017-12-14

1.2、期货品种选择
（1）合约选取主力合约

我们在进行回归的时候需要用到商品期货的月度收益率数据，考虑到流动性而主要采用
商品期货的主力合约，但是商品期货主力合约在移仓换月时会出现“跳价”现象。所以
需要我们先对主力合约进行“复权”处理，这里采用的方法和我们之前一系列的策略报
告中所采用的方法一致，即先将旧的和新的主力合约的收益率序列拼接到一起，然后再
将收益率序列按照前复权或后复权的方式还原成价格序列。也就是说，尽管原始的主力
合约价格序列是“不连续”的，但是收益率序列却可以是“连续”的。

我们利用“复权”后的主力合约价格序列得到期货的月度收益率数据，后续报告中构建
投资组合中开仓、平仓等实际交易仍将采用真实的合约价格，并且在策略回测时仍然会
考虑移仓换月时的展期操作，以及该操作所导致的交易成本和换手率的增加。

（2）数据选取要兼顾上市时间对计算样本长度的影响

我们要选用的因子数据和月度收益率数据均是从 2005 年 1 月开始，并截止到 2017 年 7

月。后面分析中涉及到对每个品种的回归分析，是从其上市之后的数据开始计算的。为
了保证有足够的数据以进行线性回归，我们实际只选取了上市日期在 2014 年 1 月 1 日
之前的期货品种来进行分析。

（3）过低的流动性会造成较高的交易成本

我们主要研究宏观经济变量与商品期货之间的关系，因此需要首先筛选符合的商品期
货。筛选的条件包括流动性等，只有满足流动性条件（主要参考历史 30 个交易日的日
均成交量超过 1 万手）
，交易活跃度较高的品种才被选择作为期货研究对象。

6 期货研究报告
 专题报告 2017-12-14

图表 2：根据流动性筛选的可交易商品期货品种
类别 交易所 商品代码 名称 上市日期
郑商所 ZC 动力煤 2013-09-26
JM 焦煤 2013-03-22
黑色 大商所 J 焦炭 2011-04-15
I 铁矿石 2013-10-18
上期所 RB 螺纹钢 2009-03-27
AL 沪铝 1995-04-17
PB 沪铅 2011-03-24
有色金属 上期所
CU 沪铜 1995-04-17
ZN 沪锌 2007-03-26
AG 白银 2012-05-10
贵金属 上期所
AU 黄金 2008-01-09
TA PTA 2006-12-18
郑商所 FG 玻璃 2012-12-03
MA 甲醇 2011-10-28
能源化工 V PVC 2009-05-25
大商所
L 塑料 2007-07-31
BU 沥青 2013-10-09
上期所
RU 橡胶 1995-05-16
SR 白糖 2006-01-06
OI 菜油 2012-07-16
郑商所
RM 菜粕 2012-12-28
CF 棉花 2004-06-01
M 豆粕 2000-07-17
农产品
A 豆一 1999-01-04
Y 豆油 2006-01-09
大商所
JD 鸡蛋 2013-11-08
C 玉米 2004-09-22
P 棕榈油 2007-10-29

资料来源：Wind，东证衍生品研究院

1.3、因子选择
我们选取了国内以及国外的一些比较典型的经济变量作为多因子的备选库。我们初步选
择因子的逻辑是，尽可能地将对商品市场有影响的因子罗列出来，而且这些数据应涵盖
了利率、汇率、货币供应量、通胀指标、工业指标、进出口等几个方面的指标，基本上
对整个金融市场有影响的因子都应该被选入到因子库中作为备选。另外还有一些衍生指
标，可以根据一些指标的差值获得。

7 期货研究报告
 专题报告 2017-12-14

图表 3：宏观经济变量概况

类别 指标名称
生产 PMI、发电量、工业增加值、固定资产投资等
消费 社会消费品零售总额等
通胀 CPI、PPI 等
货币 M0、M1、M2、中长期贷款余额等
进出口 进出口总额、贸易差额、波罗的海干散货指数等
债券 国债到期收益率 3 月、1 年、5 年、10 年等
外汇 美元指数等
某某指标：同比、环比；某某指数、价格：环比
STS:：10 年期国债收益率 – 1 年期国债收益率
衍生指标
M1M2： M2 与 M1 的环比增速之差
UI：CPI 同比与 3 月国债收益率之差，未被解释的通胀

资料来源：Wind，东证衍生品研究院

因子数据包括实际值，环比，同比和差值，但是由于在回归时因变量是收益率序列，而
收益率序列一般是平稳序列，因此我们需要因子数据也是平稳序列，否则平稳的收益率
序列对不平稳的因子序列做回归，可能会出现伪回归的现象。

我们通过单位根（ADF 检验）或者自相关偏相关序列来检验因子的平稳性，剔除掉不平
稳的因子。宏观经济数据的实际值大部分不通过检验，因此被剔除，剩下的基本都是环
比及同比数据。相对来说同比数据涉及了季节性因素，因此比环比值相对好一些。

由于最小二乘法回归对异常值较为敏感，异常值的存在使得回归效果可靠性大幅降低，
因此我们获得的因子数据并不能直接使用，必须经过极值处理。这里我们采用 MAD 中
位数的方法的来进行极值处理，将超过一定阈值的异常值用阈值代替。除此之外我们可
以采用稳健性更高的加权最小二乘法来代替最小二乘来进行回归，进一步降低极值对结
果的影响。

经过因子数据的预处理之后，我们就可以对因子进行进一步筛选，以得到对期货收益率
影响显著的有效性因子。主要涉及到三种方法，逐步回归法、岭回归以及 Lasso 回归法，
三种方法的具体流程及差别请参考上一篇报告。需要指出的是，三种方法得到的结果都
需要通过单因子有效性检验。我们将各个品种分别对各个因子进行一元线性回归的有效
性检验，观察统计回归的 t 值以及 Adj-R2。首先需要回归得到的 t 值在大部分期货品种
上都是显著的，也就是 t 值足够大（超过 1.655，或者 p-values 较小，比如小于 0.05），另
一方面，在通过显著性检验的情况下，Adj-R2 的数值较大则效果相对好一些，根据这些
标准再对三种方法得到的因子进行进一步筛选，最终得到以下结果。

8 期货研究报告
 专题报告 2017-12-14

图表 4：三种回归法筛选出的前六个因子
平均方差膨
方法 结果（在品种上显著占比较高的前 6 个因子） 平均 Adj-R2
胀因子
逐步回归法 USDX_d、PMI_d、M1_t、CILI_d、BD10Y、LOAN_d 1.20 0.1667
岭回归法 M1_t、CILI_d、USDX_d、BD5Y、BD10Y、RETAIL_t 3.41 0.1284
Lasso 回归法 USDX_d、CILI_d、M1_t、BD10Y、PMI_d、LOAN_d 1.20 0.1414
资料来源：Wind，东证衍生品研究院

逐步回归法和 Lasso 回归法得到的在品种上占比较高的前六个因子时一样的，而岭回归

大部分因子也和前两种方法得到的一样，只有少数不一样。这些因子都通过了单因子有
效性检验，且在期货品种上显著的占比较高。而平均方差膨胀因子也处于 5 以下的水平，
说明这三种方法得到因子的共线性较低，这可以从因子间的相关性矩阵来看。多数因子
间的相关性较低，而岭回归中的 BD5Y 和 BD10Y 由于都是国债收益率，因此相关性较高。

图表 5：筛选出各因子之间的相关性矩阵

USDX_d PMI_d M1_t CILI_d BD10Y LOAN_d BD5Y RETAIL_t

USDX_d 1.00 -0.14 -0.07 -0.09 0.04 0.02 0.07 0.09
PMI_d -0.14 1.00 -0.01 0.34 -0.09 -0.01 -0.12 -0.09
M1_t -0.07 -0.01 1.00 0.06 -0.09 0.29 -0.17 0.09
CILI_d -0.09 0.34 0.06 1.00 -0.11 0.18 -0.16 -0.23
BD10Y 0.04 -0.09 -0.09 -0.11 1.00 -0.13 0.91 0.36
LOAN_d 0.02 -0.01 0.29 0.18 -0.13 1.00 -0.21 -0.03
BD5Y 0.07 -0.12 -0.17 -0.16 0.91 -0.21 1.00 0.32
RETAIL_t 0.09 -0.09 0.09 -0.23 0.36 -0.03 0.32 1.00

资料来源：东证衍生品研究院

我们将得到的因子分为以下几个类别：利率风险、通胀风险、流动性风险、经济周期风
险和汇率风险。这里面的因子有些是在单个品种上逐步回归得到的因子，由于这些因子
在单因子有限性检验上显著的期货品种较多，并且在回归中进一步筛选出来，因此我们
认为这些是较为重要的宏观风险因子。

9 期货研究报告
 专题报告 2017-12-14

图表 6：不同类别的宏观风险因子

风险类别 重要的风险因子 滞后阶数 因子含义 单因子一元线性回归中影响显著的期货品种

3 个月期中债国债到 菜油，棉花，豆油，焦煤，焦炭，铁矿石，棕
BD3M 0
期收益率 榈油，黄金，铝，铜，橡胶，锌
1 年期中债国债到期 菜油，棉花，焦煤，焦炭，铁矿石，棕榈油，
BD1Y 0
利率风险 收益率 黄金，铝，铅，铜，橡胶，锌
（Bond） 5 年期中债国债到期 玻璃，菜油，动力煤，PVC，焦煤，焦炭，铁
BD5Y 0
收益率 矿石，螺纹钢，铝，铅，铜，橡胶，锌
10 年期中债国债到期 玻璃，菜油，动力煤，PVC，焦煤，焦炭，铁
BD10Y 0
收益率 矿石，螺纹钢，铝，铅，锌
社会消费品价格指数
CPI_t 1 棉花，PVC，塑料，铝，铜，锌
同比
全部工业品价格指数
PPI_t 1 PVC，塑料，铝，沥青，锌
通胀风险 同比
（Inflation） 社会消费品零售总额
RETAIL_t 1 焦煤，塑料，铁矿石，铝，铅，铜，锌
同比
PTA，玻璃，菜油，焦煤，焦炭，塑料，铁矿
IMEX_t 1 进出口总额同比
石，铅，锌
玻璃，动力煤，甲醇，棉花，豆一，豆油，焦
M1_t 1 狭义货币供应量同比 煤，焦炭，铁矿石，棕榈油，螺纹钢，铅，沥
流动性风险 青，橡胶
（Liquity） M2_t 1 广义货币供应量同比 菜油，棉花，焦煤，铅，铜，橡胶
金融机构中长期贷款 PTA，白糖，动力煤，PVC，豆油，焦煤，焦
LOAN_d 1
余额月度变化率 炭，铁矿石，棕榈油，铝，铜，橡胶，锌
波罗的海干散货运价
BDI_d 0 豆粕，豆一，豆油，棕榈油
指数月度变化率
经济周期风 PTA，玻璃，动力煤，甲醇，豆粕，豆一，豆
宏观经济景气先行指
险 CILI_d 0 油，鸡蛋，焦煤，焦炭，塑料，铁矿石，玉米，
数月度变化率
（Cycle） 棕榈油，螺纹钢，铝，沥青，铜，橡胶，锌
采购经理人指数月度 PTA，菜油，甲醇，鸡蛋，焦煤，塑料，玉米，
PMI_d 0
变化率 棕榈油，铜，锌
PTA，甲醇，棉花，PVC，豆粕，豆一，豆油，
汇率风险
USDX_d 0 美元指数月度变化率 塑料，铁矿石，棕榈油，白银，黄金，螺纹钢，
（Currency）
铝，铜，橡胶，锌
资料来源：Wind，东证衍生品研究院

2、宏观因子集有效性和显著性检验
第一章的内容我们构建了对期货收益率影响较为显著的宏观因子集合，为了进一步检验
这种预测效果，我们使用宏观因子预测收益率滚动配臵期货策略来进行回测，并对不同
的因子集的效果进行对比。

10 期货研究报告
 专题报告 2017-12-14

2.1、策略回测设臵及流程
对全部期货品种采用共同因子集测试时，我们进行以下设臵：

1.时间跨度及窗口长度。起始时间我们选择 2011 年 1 月份，再往前则得到的可交易期货

品种更少。而且参数敏感性检验最多时需要往前滚动 48 个月，因此起始时间如果太早
则很多品种没法交易。经过参数敏感性检验后，最后我们采用的窗口长度为 36 个月，
衰减系数为半衰期对应的衰减系数的一半。截止之间为 2017 年 7 月底。

2. 交易形式。持有期初定为一个月，上一期的持有期 T 日结束，重新计算下一交易日
预测的收益率以及符合条件的期货品种，并对当前持有而下一期不再持有的品种进行平
仓操作，而在 T+1 日对继续持有的品种进行调仓操作（包括补仓和减仓），以及在 T+1
日对上一期不持有而下一期持有的品种进行开仓操作。

3. 合约展期。在持有期内，假如在 T 日发生主力合约切换的品种，旧主力合约会在 T-1

日收盘时提前进行全部平仓，而新主力合约则在 T 日开盘时进行再开仓。交易成本和
正常开平仓一致。

4. 杠杆倍数。策略总资金量设为 1000 万元，但可用作保证金占用的资金占比为 10%。

对于每个交易品种，为了方便，我们统一设臵他们的初始保证金系数均为 10%（实际保
证金比例在该值附近），因此整体的杠杆倍数可简单地通过资金使用占比与保证金系数
之间的比值得到，即为 1 倍杠杆。

5．交易成本。开平仓均收取手续费，交易手续费收取标准为双边万分之三。而除了交
易手续费，交易中流动性等交易摩擦问题也会使得交易成本增加，我们根据实际情况统
一设臵滑点为两个最小价格变动单位。

而对单个期货品种采用不同因子集测试时，我们设臵的每个品种的初始资金总量为 100
万，另外窗口长度为 24 个月，因为很多期货品种上市时间较短，如果窗口长度较长则
可交易的时段较少，因此我们最终采用 24 个月。其余条件则与全部期货品种采用共同
因子集测试时的条件相同。

滚动配臵期货策略的交易流程如下所示。

首先期货品种的流动性以及上市时长需要满足要求，一方面流动性太差的品种在实际交
易中很难成交，而且滑点较大，测试结果将受到很大的影响，因此我们选择流动性较好
的合约，并且采用主力合约来进行回测，在发生主力合约切换时进行相应的调仓操作。
另一方面因为我们在构建策略时需要用到过去 N 个月的数据来获得对因子的暴露，如果
上市时间过短则无法满足要求。

我们采用滚动测试的方式，因子暴露则用过去 N 个月的收益率序列和因子序列回归获
得，收益率序列滞后因子序列一期。而如果我们获得下个月的因子数据之后根据因子暴
露就可以得到收益率的预测值。当前我们测试时假设下个月的宏观因子数据能够获得，
这样我们可以根据实际的因子数据获得下一个月的收益率预测。而在实际使用时我们首
先要进行宏观分析，然后得到一组宏观因子的预测值，再将预测值代入模型得到下一个
月的收益预测。

11 期货研究报告
 专题报告 2017-12-14

在得到各个期货品种的收益预测之后，我们可以确定初始组合。另外我们可以对期货的
收益率设臵一定的条件，比如大于某个阈值才进行做多操作，小于某个阈值时才进行做
空操作。实际证明设臵一个合适的阈值确实可以提高策略的综合表现。我们在全部期货
品种采用共同因子集测试时采用的阈值为+1%和-1%。结果显示比阈值为 0 时表现要好
一些。

由于是滚动测试，因此每个月需要交易的组合可能都不一样，因此需要进行调仓。而在
持仓期间，主力合约如果发生切换，则我们也需要进行调仓，首先需要将旧合约平仓，
然后再开仓相同数量的新的主力合约。调仓过程中产生的交易费用与其它时刻计算方法
一致。

图表 7：滚动配臵期货策略流程

获取可交易期货品种
1、流动性要求；
宏观
2、上市时间要求
分析

宏观
因子 确定初始组合
预测
值
买入收益率为正且符
代入 合条件的期货
模型 卖出收益率为负且符
得到 合条件的期货
各品
种收 每月调仓
益率 开平仓或者增加减少
预测 持仓

回测到最后一期
结束

资料来源：东证衍生品研究院

2.2、全部期货品种采用共同因子集回测
该部分对全部期货品种采用共同因子集进行回测，共同的因子集为采用逐步回归法，
Lasso 回归得到的因子集和采用岭回归得到的因子集。为了提高稳健性，在获取因子暴
露时我们采用加权最小二乘回归，这样我们需要选择一个合适的权重分配。另外该过程
需要用到过去的历史收益率和因子数据，因此我们需要设臵一个合适的历史数据窗口长
度。而对于持仓周期我们选定为一个月，并且不再变动。因为持仓周期过长的情况下因

12 期货研究报告
 专题报告 2017-12-14

子的有效性降低，而且在测试中实际上很多符合条件的期货品种持仓周期超过一个月。
这样我们就需要确定两个参数的变化对策略效果的影响。

在分配权重时我们采用半衰期系数为基准的来变化衰减系数得到不同的权重，下图为不
同的衰减系数对应的权重，当衰减系数越大时，近期的数据获得的权重较大，而衰减系
数较小时则权重的在整个数据段上的分配较为均衡。窗口长度我们设臵为 12 个月、24
个月、36 个月和 48 个月。需要指出的是半衰期对应系数也和窗口长度有关系，因此采
用半衰期系数倍数的方式来调整衰减系数的方法不仅较为灵活而且较为贴近实际。

图表 8：不同衰减系数下权重图

0.35 等权系数为0 半衰期系数一半 半衰期对应系数

半衰期系数2倍 半衰期系数4倍 半衰期系数6倍
0.3

0.25

0.2

0.15

0.1

0.05

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

资料来源：东证衍生品研究院（时间跨度为 24 个月，横轴 24 代表最近的一月，纵轴为对应权重）

以下四个图表为逐步回归因子集得到的滚动测试结果，可以发现右上角的系数表现相对
较好。窗口长度为 12 个月时的策略表现在不同衰减系数下都差强人意。而衰减系数为
半衰期系数的 2 倍以上的情况下在不同窗口长度下均表现不好。因此我们可以得出结论，
窗口长度至少不能低于 24 个月，而衰减系数则最好不要超过半衰期对应的衰减系数的 2
倍。

图表 9：不同参数下年化收益率 图表 10：不同参数下夏普率

衰减系数 \ 窗口长度 12个月 24个月 36个月 48个月 衰减系数 \ 窗口长度 12个月 24个月 36个月 48个月
等权系数为0 0.62% 3.46% 5.82% 5.10% 等权系数为0 -15.93% 28.10% 58.27% 46.97%
半衰期系数一半 0.76% 3.53% 5.83% 4.97% 半衰期系数一半 -13.04% 29.79% 58.87% 46.14%
半衰期对应系数 0.32% 3.10% 5.20% 4.33% 半衰期对应系数 -20.02% 24.08% 49.64% 41.66%
半衰期系数2倍 -0.17% 4.45% 4.10% 4.11% 半衰期系数2倍 -28.09% 46.93% 35.40% 36.42%
半衰期系数4倍 -1.11% 2.38% 2.02% 1.58% 半衰期系数4倍 -42.09% 12.95% 5.88% -0.46%
半衰期系数6倍 -2.53% 0.64% 0.67% -0.49% 半衰期系数6倍 -64.80% -16.39% -14.40% -27.69%
资料来源：Wind，东证衍生品研究院 资料来源：Wind，东证衍生品研究院

13 期货研究报告
 专题报告 2017-12-14

图表 11：不同参数下最大回撤 图表 12：不同参数下收益风险比

衰减系数 \ 窗口长度 12个月 24个月 36个月 48个月 衰减系数 \ 窗口长度 12个月 24个月 36个月 48个月
等权系数为0 -13.56% -10.24% -10.18% -8.69% 等权系数为0 0.05 0.34 0.57 0.59
半衰期系数一半 -13.59% -9.47% -8.53% -7.07% 半衰期系数一半 0.06 0.37 0.68 0.70
半衰期对应系数 -13.19% -8.41% -8.43% -5.66% 半衰期对应系数 0.02 0.37 0.62 0.76
半衰期系数2倍 -14.45% -7.43% -8.61% -6.54% 半衰期系数2倍 0.01 0.60 0.48 0.63
半衰期系数4倍 -16.90% -9.84% -9.18% -16.81% 半衰期系数4倍 0.07 0.24 0.22 0.09
半衰期系数6倍 -21.03% -14.79% -14.66% -21.74% 半衰期系数6倍 0.12 0.04 0.05 0.02
资料来源：Wind，东证衍生品研究院 资料来源：Wind，东证衍生品研究院

图表 13：逐步回归和 Lasso 回归得到因子集预测收益策略效果

1.5 0%
-1%
1.4
-2%
1.3 -3%
-4%
1.2
-5%
1.1 回撤(右轴) 净值 -6%
-7%
1
-8%
0.9 -9%
11/01
11/04

11/10

12/07

13/01
13/04

13/10

14/04

14/10

15/07

16/01
16/04

16/10
17/01

17/07
11/07

12/01
12/04

12/10

13/07

14/01

14/07

15/01
15/04

15/10

16/07

17/04

资料来源：东证衍生品研究院

综合以上的测试结果，我们发现窗口长度越大时策略的最大回撤相应的会降低，但是窗
口长度超过 36 个月之后收益率也会下降，因此我们最终选择窗口长度为 36 个月，衰减
系数为半衰期对应系数的一半。这种情况下得到的策略效果较为均衡，兼顾了收益率和
夏普率以及最大回撤率。上图为该参数下逐步回归和 Lasso 回归得到因子据预测收益率
策略的具体表现。除了中间有一段时间表现较差之外，其余时刻的表现都较为平稳。下
图为该策略的月度收益图，可以发现 2015 年以来收益的波动程度有所加大，月度的最
大收益和最大亏损都较前期有所扩大。该段时期对应的期货行情的变化也相对较大。

14 期货研究报告
 专题报告 2017-12-14

图表 14：逐步回归和 Lasso 回归得到因子集预测收益策略月度收益

120
万
100
80
60
40
20
0
-20
-40
-60
11/01

11/10

12/04
12/07

13/01
13/04

13/10

14/07

15/01
15/04
15/07

16/01

16/07
16/10

17/07
11/04
11/07

12/01

12/10

13/07

14/01
14/04

14/10

15/10

16/04

17/01
17/04
资料来源：东证衍生品研究院

图表 15：各个期货品种收益分布
90
万

70

50

30

10

-10

-30
TA SR FG OI RM ZC MA SM CF V M A Y JD JM J PP L I C CS P AG AU RB AL NI PB HC BU CU SN RU ZN

资料来源：东证衍生品研究院

分品种来讨论收益情况可以发现总体来看黑色系的收益较大，特别是螺纹钢、焦炭、焦
煤和动力煤几个品种，收益在全部品种中都居于前列，铁矿石的收益略低一些，但是也
获得了正收益。能源化工中 PTA、PVC、玻璃、甲醇的表现也较好，仅次于黑色系表现。
另外有色金属中铝、锌和铜的表现也很好。农产品大多数品种表现一般，甚至为负收益，
只有豆类中豆一、豆粕、豆油几个品种表现较好。

15 期货研究报告
 专题报告 2017-12-14

图表 16：逐步回归和 Lasso 回归得到因子集预测收益策略策略指标

回测指标 数值 回测指标 数值
持续时间 1598 夏普率 0.60
开始时间 2011-01 最大回撤 -8.53%
结束时间 2017-07 月度胜率 53.16%
盈利月份 42 平均每笔收益 224138.48
总的交易月份 79 平均每笔亏损 -134086.53
累积收益 44.53% 盈亏比 1.67
年化收益 5.89% 收益风险比 0.69

资料来源：东证衍生品研究院

图表 17：岭回归法得到因子集预测收益策略效果
1.5 0%
-1%
1.4
-2%
1.3 -3%
-4%
1.2
-5%
1.1 回撤（右轴） 净值 -6%
-7%
1
-8%
0.9 -9%
11/01
11/04
11/07
11/10
12/01
12/04
12/07
12/10
13/01
13/04
13/07
13/10
14/01
14/04
14/07
14/10
15/01
15/04
15/07
15/10
16/01
16/04
16/07
16/10
17/01
17/04
17/07

资料来源：东证衍生品研究院

图表 18：策略指标
回测指标 具体数值 回测指标 具体数值
持续时间/天 1598 夏普率 0.47
开始时间 2011-01 最大回撤 -8.38%
结束时间 2017-07 月度胜率 54.43%
盈利月份 43 平均每笔收益 189000.61
总的交易月份 79 平均每笔亏损 -132884.60
累积收益 33.43% 盈亏比 1.42
年化收益 4.57% 收益风险比 0.55

资料来源：东证衍生品研究院

上面两个图为岭回归法得到因子集预测收益策略效果，相比于逐步回归得到的结果，该
因子集的测试效果略差，但是总体来看各个阶段的表现较为平稳，进入 2017 年以来策

16 期货研究报告
 专题报告 2017-12-14

略的回撤稍微有点大，总体来看该策略的效果在绝大多数时间内都比较不错。

上面是全部期货品种采用同样的因子集的回测效果，我们将全部期货分为几个大类，再
从每个类别的品种中选择几个较为显著的因子作为这个类别的共同因子集。来测试一下
大类上的效果有没有得到提升。回测的设臵条件仅仅将开仓阈值改为 0，也就是收益率
大于 0 即开仓做多，小于 0 则开仓做空，这样可以保证交易时长。结果显示，黑色系、
有色金属和能源化工在更改了因子集之后表现效果明显提升。

图表 19：采用逐步回归法获得各个大类前几个显著因子

类别 显著因子集合 平均 Adj-R2
黑色 USDX_d，CILI_d，M1_t，BD10Y 0.1630
贵金属 USDX_d 0.0692
能化 USDX_d，PMI_d，PPI_t，CILI_d，BD10Y 0.1456
有色 USDX_d，RETAIL_t，IMEX_t，PMI_d 0.1915
农产品 USDX_d，PMI_d ，M1_t 0.1370

资料来源：Wind，东证衍生品研究院

图表 20：各大类回测净值
1.9 贵金属 能化 有色 农产品 黑色(右轴) 4.4

3.9
1.7
3.4
1.5 2.9

1.3 2.4

1.9
1.1
1.4

0.9 0.9
12/04
12/06
12/08
12/10
12/12
13/02
13/04
13/06
13/08
13/10
13/12
14/02
14/04
14/06
14/08
14/10
14/12
15/02
15/04
15/06
15/08
15/10
15/12
16/02
16/04
16/06
16/08
16/10
16/12
17/02
17/04
17/06

资料来源：东证衍生品研究院

17 期货研究报告
 专题报告 2017-12-14

图表 21：各大类策略回测结果
回测指标 黑色 贵金属 能化 有色 农产品
持续时间/天 1296 1296 1296 1296 1296
开始时间 2012-04 2012-04 2012-04 2012-04 2012-04
结束时间 2017-07 2017-07 2017-07 2017-07 2017-07
盈利月份数 44 35 36 40 38
总月份数 64 64 64 64 64
累积收益 331.36% 4.80% 52.44% 61.74% 20.82%
年化收益 34.19% 0.89% 8.46% 9.73% 3.67%
夏普率 1.29 -0.05 0.57 0.85 0.28
最大回撤 -18.88% -25.96% -17.73% -11.71% -12.03%
月度胜率 68.75% 54.69% 56.25% 62.50% 59.38%
平均每笔收益 1229326.06 365257.52 411039.97 310855.01 185173.67
平均每笔亏损 -1047722.80 -424290.12 -341188.63 -260836.13 -190575.17
盈亏比 1.17 0.86 1.20 1.19 0.97
收益风险比 1.81 0.03 0.48 0.83 0.31

资料来源：东证衍生品研究院

2.3、方法一：采用全样本逐步回归法获得的因子集进行回测
对单个期货品种采用不同因子集回测时， 我们设臵的每个品种的初始资金总量为 100 万，
另外窗口长度为 24 个月，因为很多期货品种上市时间较短，如果窗口长度较长则可交
易的时段较少，因此我们最终采用 24 个月。其余回测条件则与全部期货品种采用共同
因子集测试时的条件相同。

主要采用三种方法进行回测，三种方法得到每个品种的因子集的方法各有不同，得到的
因子集也不相同，最终我们将从三种方法中筛选出表现较好的品种以及对应的因子集，
并将因子集作为对该品种收益影响较大的显著因子集。

下表为采用全样本逐步回归法得到的各个品种的前 5 个显著因子以及 Adj-R2，多数品种

的显著因子数量为 5 个以下，只有少数的几个品种显著因子数量较多。这里与全部期货
品种采用共同因子集回测不同的地方还有：这里每个品种单独进行回测，而且开仓的收
益率阈值设为 0，也就是收益率大于 0 即做多，而收益率小于 0 则做空，这样保证了该
品种的交易时长相对长一些。如果设臵阈值过高则可能很长时间该品种都没有交易或者
持仓，使得交易时间和持仓时间都较短，策略回测的可信度降低。另外每个品种的因子
集为逐步回归得到的该品种的显著因子集，也就是说每个品种对应的因子集都不一样。

18 期货研究报告
 专题报告 2017-12-14

图表 22：采用全样本逐步回归法获得的各个品种前 5 个显著因子及 Adj-R2

类别 简称 显著因子 1 显著因子 2 显著因子 3 显著因子 4 显著因子 5 显著因子个数 Adj-R2

焦炭 CILI_d M1_t BD10Y 3 27.1%
焦煤 BD10Y CILI_d PMI_d 3 35.7%
黑色 螺纹钢 BD10Y USDX_d CILI_d 3 10.4%
动力煤 M1_t 1 23.9%
铁矿石 M1_t USDX_d LOAN_d 3 31.0%
黄金 USDX_d BD3M 2 13.6%
贵金属
白银 USDX_d M2_t 2 10.2%
橡胶 CILI_d USDX_d M1_t 3 15.7%
沥青 PPI_t USDX_d 2 23.3%
塑料 USDX_d PPI_t PMI_d 3 21.4%
能化 PTA USDX_d PMI_d LOAN_d 3 17.7%
甲醇 CILI_d M1_t 2 12.7%
玻璃 BD10Y 1 12.5%
PVC BD10Y USDX_d 2 11.0%
锌 USDX_d CPI_t PMI_d 3 25.8%
铜 USDX_d PMI_d LOAN_d PPI_t RETAIL_t 6 31.2%
有色
铅 IMEX_t 1 5.9%
铝 CILI_d RETAIL_t USDX_d BD5Y IMEX_t 5 16.9%
菜油 BD3M PMI_d 2 18.8%
菜粕 0 0.0%
豆油 USDX_d LOAN_d 2 16.1%
鸡蛋 PMI_d 1 10.5%
棕榈油 USDX_d M1_t PMI_d RETAIL_t 4 21.9%
农产品
玉米 PMI_d 1 5.9%
豆粕 USDX_d BDI_d 2 11.2%
白糖 LOAN_d 1 3.1%
豆一 USDX_d BDI_d BD10Y M1_t 4 16.2%
棉花 M1_t USDX_d PPI_t 3 15.1%

资料来源：东证衍生品研究院

19 期货研究报告
 专题报告 2017-12-14

图表 23：各期货品种回测净值与 Adj--R2 关系
4.5 40%
Adj-R2(右轴) 净值
4 35%
3.5 30%
3
25%
2.5
20%
2
15%
1.5
1 10%

0.5 5%

0 0%
PVC
白银
橡胶

塑料

铅
铝

鸡蛋

白糖
豆一
焦炭
焦煤
螺纹钢
动力煤

黄金

沥青

甲醇
玻璃

菜油
豆油

棕榈油
玉米
豆粕

棉花
铁矿石

PTA

资料来源：东证衍生品研究院

策略净值序列与 Adj-R2 序列的相关系数为 0.2073，经过检验后发现，二者的关系并不显

著，但是仍存在一定的相关性。从图表中也可以看得出来，对于某些品种来说，Adj-R2
较高的时候相应的净值也会高一些，而有些品种则不太明显。

图表 24：两种不同回测结果对比

分类 期货类别 全部期货品种采用共同因子集回测 单个期货品种采用不同因子集回测

黑色 RB，J，JM，ZC RB，JM，ZC
能化 TA，V，FG，MA FG，L，V
表现较好品种
有色和贵金属 AL，ZN，CU ZN，CU，AL
农产品 A，M，Y M，JD，Y
黑色 SM J，I
能化 BU，RU MA，RU，BU
表现较差品种
有色和贵金属 AG，AU PB，AG
农产品 SR，OI，RM，C OI，C，SR，A

资料来源：Wind，东证衍生品研究院

以上为采用两种方式得到的不同的回测结果，可以发现绝大多数品种在两种情况下比较
类似，只有少数情况下二者差异比较明显。由于全部期货品种采用共同因子集回测是根
据每个品种的显著因子集来汇总得到的最终结果，因此二者的因子集重合的概率较高，
因而很多品种在两种情况下的表现比较类似。

20 期货研究报告
 专题报告 2017-12-14

图表 25：滚动最小二乘法获得暴露得到的黑色系各品种净值
3.3
J JM RB ZC I

2.8

2.3

1.8

1.3

0.8
11/04
11/07
11/10
12/01
12/04
12/07
12/10
13/01
13/04
13/07
13/10
14/01
14/04
14/07
14/10
15/01
15/04
15/07
15/10
16/01
16/04
16/07
16/10
17/01
17/04
17/07
资料来源：东证衍生品研究院

大部分品种在 2016 年 10 月之前表现较好，而后则出现较大的持续性回撤。而由于交易

时间较短，可以看出部分品种总的交易次数都比较少，而且市场波动较大，因此大部分
品种的年化收益都较为可观，盈亏比都比较大，但是相应的回撤也比较大，这可能也从
另一方面解释了风险和收益同源的原理。其中动力煤（ZC）的表现相对其它品要好一些，
但是动力煤上市时间较晚，且需要剔除往前的窗口数据，因此交易市场仅有两年，而交
易次数也较少，偶然性可能比较大。

图表 26：滚动最小二乘法获得暴露得到的黑色系各品种策略回测结果
回测指标 J JM RB ZC I
持续时间/天 1037 571 1540 445 428
开始时间 2013-05 2015-04 2011-04 2015-10 2015-11
结束时间 2017-07 2017-07 2017-07 2017-07 2017-07
盈利次数 8 5 20 1 5
总交易次数 19 9 37 2 6
累积收益 21.21% 82.63% 110.24% 105.04% 74.08%
年化收益 4.70% 31.52% 12.93% 53.83% 40.56%
夏普率 0.09 0.82 0.47 2.46 0.82
最大回撤 -56.27% -34.11% -37.99% -14.41% -49.38%
胜率 42.11% 55.56% 54.05% 50.00% 83.33%
平均每笔收益 376672.1 498112.7 181258.2 1457253 497466
平均每笔亏损 -254661 -416059 -148397 -406843 -1746498
盈亏比 1.48 1.20 1.22 3.58 0.28
收益风险比 0.08 0.92 0.34 3.74 0.82

资料来源：东证衍生品研究院

21 期货研究报告
 专题报告 2017-12-14

黑色系中除了螺纹钢之外可交易时间段都较短，从净值图中可以看出，2016 年 9 月之前
黑色系的表现都较好，而在 2016 年 9 月之后开始出现较大回撤。而这段时间也正是黑
色系走势大幅波动的阶段，并且趋势性较强，由于价格波动较大，而我们的持仓周期相
对较长，因此使得策略出现较大回撤。综合分析当时的市场环境以及政策预期，我们发
现宏观指标在当时失效的原因很大程度上受政策的影响。

图表 27：黑色系回撤受到政策因素影响分析
相关政策 政策因素影响分析
2016 年 9 月 30 日至 10 月 9 日，北京、天津、
钢材和矿石市场面临房地产市场调控政策不断加码
苏州、郑州、成都、济南、无锡、合肥、武汉、
以及广义层面的货币政策由松转紧的系统性政策冲
南京、广州、深圳、佛山、厦门、东莞、珠海、
击，对外钢材出口明显受阻的预期也会随着国际贸
福州、上海、杭州、南昌等 21 个城市相继出台
易保护主义势力的抬头而升温。
了限购限贷政策。
根据发改委公布的去产能工作推进进度，截至
7 月底，全国煤炭去产能任务量仅完成了总目 煤炭去产能在 7 月之前进度较慢，使得去产能进度
标的 38%。到 8 月底，进度已推进至 60%，去 在 8 月以后明显提速，更容易造成供需失衡。
产能明显提速。
自 5 月 276 个工作日政策执行以来，煤炭供需
276 个工作日政策执行一方面影响煤炭产能，另一方
格局发生了较大的变化。尤其是夏季电煤旺季，
面恰逢夏季煤炭需求旺季，造成供需缺口增大。
动力煤出现了明显的供需缺口。

资料来源：东证衍生品研究院

在政策因素的影响下，市场和原来的预期发生了明显的背离。去产能和 276 政策对黑色

系供给造成影响，造成供给弹性不足。而房地产调控政策对需求影响有滞后。而宏观指
标则相对多的反映了市场的需求，而对政策带来的供给弹性不足问题不能及时的反应，
因此这也导致了宏观指标在这一段时间内效果欠佳，出现了连续的较大幅度的回撤。

上述求因子暴露的方法即为滚动最小二乘法(ROLS)，即给定一个估计窗口的宽度，比

如上述为 24 个月，以此为回归子样本，通过估计窗的滚动平移来估计时变的  值，

相当于得到一个“移动平均”的  值。这种方法估计的  不一定准确，可能会对测

试结果造成一定的影响，因此我们考虑测试动态  情况下的表现，来说明  的估计方法

对结果可能有较大的影响。

我们采用两种方法来解决  时变性问题，从而得到动态暴露系数，一种方法是采用多元

GARCH，另一种是 Kalman 滤波的方法。

金融市场具有波动聚集性的特征，也就是波动率在一段时期较为剧烈，一段时间内又比

22 期货研究报告
 专题报告 2017-12-14

较平稳。GARCH 模型可以动态的估计和预测不同时期的方差，得到的是条件的动态变
化的方差，因此很好的解决了波动聚集性这一问题。实际应用中多元 GARCH 模型需要
估计很多参数，Engle 和 Sheppard（2002）提出的 DCC-GARCH 模型能够减少估计
参数量，较为常用。

rt  u t  e t

e t |  t 1 ~ N ( 0 , H t )

H t
 Dt Rt Dt

D t  d ia g  h k t 
2

p q

hkt   k   e k ,t  p    k q h k ,t  q
2 2
kp
p 1 q 1

1
 t  D t et
m n m n

Q t  (1      j )Q    t  i t  i    jQt j
'
i i
i 1 j 1 i 1 j 1

1/ 2 1/ 2
R t  d ia g  Q t  Q t d ia g  Q t 

估计 DCC-GARCH 模型包括两个步骤：第一，通过估计每个变量的单变量 GARCH 模

型来生成标准差；第二，使用第一步估计出的标准差来获得标准化残差，再使用该标准
化残差以 GARCH 模型形式来估计相关矩阵。通过这种方法可以得到动态的条件变化

的协方差矩阵。获得了协方差矩阵之后，我们就可以进一步计算出  系数，而得到的 

系数也是动态条件变化的。

另一种方法是状态空间模型的方法来估计时变的  系数。通过假定  和  系数满足均

值回复的过程，然后通过 kalman 滤波来估计时变的  值。由 Kalman 滤波建立的可变参

数模型可以表示为：

量测方程： rt   t   t f t   t ,  t i .i .d . N ( 0 , H t )

 t     t  1  (1    )  u t  ut 
状态方程： ，  i .i . d . N ( 0 , Q t )
 t     t  1  (1    )    t  t 

有了量测方程和状态方程之后，Kalman 滤波器经过预测以及更新两个步骤来进行。上
述的状态方程就是一个预测的过程，根据上一个时刻的变量值获得下一个时刻预测值

ˆ t |t  1 和 ˆ t |t  1 。其中协方差矩阵的估计方法如下：

23 期货研究报告
 专题报告 2017-12-14

  0    0 
p t |t  1    p t 1   +Qt
 0    0  

计算 Kalman 增益：

 1 
p t |t  1  
 ft 
Kt 
 1 
1 ft  p t |t  1  
 ft 

进行更新：

a t  aˆ t |t  1  K t ( rt  ˆ t |t  1  ˆ t |t  1 f t )  t 
， at   
p t  ( I  K t 1 f t  ) p t |t  1  t 

经过几步更新之后，kalman 滤波能很好的跟踪参数的变化。

图表 28：DCC-GARCH 法得到的动态暴露系数回测净值

5.8 J JM RB I

4.8

3.8

2.8

1.8

0.8
11/04
11/07
11/10
12/01
12/04
12/07
12/10
13/01
13/04
13/07
13/10
14/01
14/04
14/07
14/10
15/01
15/04
15/07
15/10
16/01
16/04
16/07
16/10
17/01
17/04
17/07

资料来源：东证衍生品研究院

24 期货研究报告
 专题报告 2017-12-14

图表 29：DCC-GARCH 法得到的动态暴露系数回测结果
回测指标 J JM RB I
持续时间/天 1037 571 1540 428
开始时间 2013-04 2015-03 2011-03 2015-10
结束时间 2017-07 2017-07 2017-07 2017-07
盈利次数 6 2 14 6
总交易次数 10 7 23 8
累积收益 3.85 -0.23 3.50 0.59
年化收益 49.66% -10.07% 28.86% 32.21%
夏普率 1.35 -0.35 1.20 0.63
最大回撤 -34.05% -39.83% -35.05% -49.42%
胜率 0.60 0.29 0.61 0.75
平均每笔收益 1200690.85 530941.80 488649.59 377286.91
平均每笔亏损 -838923.97 -258530.49 -371142.65 -838882.06
盈亏比 1.43 2.05 1.32 0.45
收益风险比 1.46 0.25 0.82 0.65

资料来源：东证衍生品研究院

从结果对比来看，焦炭和螺纹钢的效果比滚动最小二乘法(ROLS)变好了一些，铁矿石基

本不变，焦煤的结果没有滚动最小二乘法获得  得到的结果好，总体来看有了一些改

善。

图表 30：Kalman 滤波法得到的动态暴露系数回测净值

6.6 J JM RB I

5.6

4.6

3.6

2.6

1.6

0.6
11/04
11/07
11/10
12/01
12/04
12/07
12/10
13/01
13/04
13/07
13/10
14/01
14/04
14/07
14/10
15/01
15/04
15/07
15/10
16/01
16/04
16/07
16/10
17/01
17/04
17/07

资料来源：东证衍生品研究院

25 期货研究报告
 专题报告 2017-12-14

图表 31：Kalman 滤波法得到的动态暴露系数回测结果
回测指标 J JM RB I
持续时间/天 1037 571 1540 428
开始时间 2013-05 2015-04 2011-04 2015-11
结束时间 2017-07 2017-07 2017-07 2017-07
盈利次数 14 5 17 6
总交易次数 26 7 28 8
累积收益 441.96% 188.39% 115.28% 47.91%
年化收益 54.55% 64.97% 13.38% 26.60%
夏普率 1.47 1.85 0.50 0.51
最大回撤 -44.44% -20.52% -49.46% -55.01%
胜率 53.85% 71.43% 60.71% 75.00%
平均每笔收益 602497.22 675852.46 231630.44 307981.72
平均每笔亏损 -334611.20 -747693.78 -253173.23 -684387.84
盈亏比 1.80 0.90 0.91 0.45
收益风险比 1.23 3.17 0.27 0.48
资料来源：东证衍生品研究院

图表 32：采用全样本获得的因子集表现较好品种
回测指标 ZC L FG V ZN JD M
持续时间/天 445 1922 628 1500 2027 407 2330
开始时间 2015-10 2009-09 2015-01 2011-06 2009-04 2015-12 2008-01
结束时间 2017-07 2017-07 2017-07 2017-07 2017-07 2017-07 2017-07
盈利次数 1 19 1 15 26 7 31
总交易次数 2 31 3 21 49 12 45
累积收益 105.04% 112.94% 32.68% 94.71% 154.42% 81.09% 320.10%
年化收益 50.17% 10.42% 12.02% 11.85% 12.31% 44.44% 16.79%
夏普率 2.20 0.43 0.62 0.58 0.54 1.90 0.68
最大回撤 -14.41% -23.35% -15.46% -25.60% -22.26% -10.82% -25.63%
胜率 50.00% 61.29% 33.33% 71.43% 53.06% 58.33% 68.89%
平均每笔收益 1457253 201677.6 812832 165853 172971 157635 277999.9
平均每笔亏损 -406843 -225203 -243011 -256786 -128395 -58510 -386930
盈亏比 3.58 0.90 3.34 0.65 1.35 2.69 0.72
收益风险比 3.48 0.45 0.78 0.46 0.55 4.11 0.66

资料来源：东证衍生品研究院

26 期货研究报告
 专题报告 2017-12-14

图表 33：采用全样本获得的因子集表现相对较好品种因子集
品种 因子 1 因子 2 因子 3
ZC M1_t
L USDX_d PPI_t PMI_d
FG BD10Y
V BD10Y USDX_d
ZN USDX_d CPI_t PMI_d
JD PMI_d
M USDX_d BDI_d
资料来源：东证衍生品研究院

2.4、方法二：采用全样本逐步回归法获得大类的共同因子集进行回测
各大类中期货品种由于相关性较高，对其走势影响显著的因子集可能较为相似，因此我
们在大类中采用共同的因子集进行回测。根据全样本逐步回归得到每个品种的因子集之
后，再挑选出每个大类中前几个被选中次数较多的因子作为这个类的共同因子集，比如
黑色系中我们统一采用 M1_t，CILI_d，USDX_d，BD10Y 这几个因子来对黑色系中每个
品种进行回测。

图表 34：采用大类的共同因子集表现相对较好品种回测结果
回测指标 RB ZC CU AL P
持续时间/天 1540 445 2330 2330 1884
开始时间 2011-04 2015-10 2008-01 2008-01 2009-11
结束时间 2017-07 2017-07 2017-07 2017-07 2017-07
盈利次数 16 4 31 20 25
总交易次数 23 6 48 36 44
累积收益 244.35% 49.14% 264.68% 118.07% 69.59%
年化收益 22.43% 25.40% 15.02% 8.80% 7.32%
夏普率 0.85 0.98 0.57 0.47 0.28
最大回撤 -28.02% -18.87% -25.84% -17.96% -21.26%
胜率 69.57% 66.67% 64.58% 55.56% 56.82%
平均每笔收益 345601 299718 248818.7 171362.8 136251.7
平均每笔亏损 -440872 -353747 -298037 -140407 -142650
盈亏比 0.79 0.85 0.83 1.22 0.96
收益风险比 0.80 1.35 0.58 0.49 0.34
资料来源：东证衍生品研究院

27 期货研究报告
 专题报告 2017-12-14

图表 35：采用大类的共同因子集表现相对较好品种因子集
品种 因子 1 因子 2 因子 3 因子 4 因子 5
RB M1_t CILI_d USDX_d BD10Y
ZC M1_t CILI_d USDX_d BD10Y
CU USDX_d RETAIL_t PMI_d IMEX_t
AL USDX_d RETAIL_t PMI_d IMEX_t
P USDX_d PMI_d M1_t BDI_d LOAN_d
资料来源：东证衍生品研究院

2.5、方法三：采用滚动样本逐步回归法获得因子集进行回测
我们采用滚动样本（当前时刻往前 24 个月作为样本）进行逐步回归，这样每个时刻得
到的因子集可能都是不相同的，这样的方法获得的因子集时效性可能更高，敏感度更高，
对宏观经济事件造成的影响反应较为及时。以下是表现较好的品种回测结果，可以发现
这种方法下黑色系的表现较全样本逐步回归法的结果提升明显。

这种方式在焦炭、焦煤、螺纹钢、动力煤和铁矿石等品种上回测结果较全样本得到的因
子集回测效果要好一些，而在动力煤上表现效果比原先要差一些。其它能化，有色，贵
金属以及农产品滚动 24 个月获得单个品种的因子回测结果基本都不如全样本获得的因
子集回测效果好。

图表 36：滚动 24 个月获得因子集表现相对较好品种回测结果
回测指标 J JM RB I AG FG AL
持续时间/天 1037 571 1540 428 774 628 2330
开始时间 2013-05 2015-04 2011-04 2015-11 2014-06 2015-01 2008-01
结束时间 2017-07 2017-07 2017-07 2017-07 2017-06 2017-05 2017-07
盈利次数 3 5 9 5 4 2 17
总交易次数 6 7 13 6 4 4 34
累积收益 238.78% 111.58% 141.61% 243.69% 36.35% 48.74% 13.61%
年化收益 36.01% 41.24% 15.60% 125.22% 10.57% 17.42% 1.36%
夏普率 0.94 1.12 0.58 2.79 0.60 1.08 -0.02
最大回撤 -23.14% -22.19% -25.30% -25.23% -8.38% -10.34% -19.79%
胜率 50.00% 71.43% 69.23% 83.33% 100.00% 50.00% 50.00%
平均每笔收益 1535510 541684.5 345440.6 693284.4 196281.9 427570.6 92543.35
平均每笔亏损 -739569 -796318 -423228 -1029485 - -183884 -84534.8
盈亏比 2.08 0.68 0.82 0.67 - 2.33 1.09
收益风险比 1.56 1.86 0.62 4.96 1.26 1.68 0.07
资料来源：东证衍生品研究院

我们用滚动样本逐步回归法得到了每个品种每个时期的因子集之后，对因子集的结果进
行统计，筛选出前几个在各时期被选中次数较多的因子作为因子集，这样得到的结果综
合反映了不同时期因子的变化，得到的结果也更能反映整体的情况。

28 期货研究报告
 专题报告 2017-12-14

图表 37：滚动获得因子合集表现相对较好品种回测结果
回测指标 J ZC I BU L FG Y SR CF
持续时间/天 1037 445 428 428 1922 628 2308 2308 2330
开始时间 2013-05 2015-10 2015-11 2015-11 2009-09 2015-01 2008-02 2008-02 2008-01
结束时间 2017-07 2017-07 2017-07 2017-07 2017-07 2017-07 2017-07 2017-07 2017-07
盈利次数 8 2 7 4 24 6 23 19 16
交易次数 16 6 8 8 33 11 38 34 34
累积收益 179.96% 31.29% 167.40% 74.28% 245.91% 23.39% 236.20% 251.49% 182.51%
年化收益 28.42% 16.67% 78.45% 38.69% 17.67% 8.80% 14.16% 14.71% 11.89%
夏普率 0.70 0.60 1.60 1.29 0.85 0.41 0.65 0.69 0.49
最大回撤 -30.67% -25.89% -26.10% -24.74% -20.38% -13.75% -22.60% -28.61% -24.48%
胜率 0.5 0.33 0.88 0.5 0.73 0.55 0.61 0.56 0.47
平均每笔收益 561605 522291 433100 325357 241236 120617 279892 333494 352781
平均每笔亏损 -336654 -182929 -1357708 -139649 -370063 -97955.9 -271704 -254767 -212191
盈亏比 1.67 2.86 0.32 2.33 0.65 1.23 1.03 1.31 1.67
收益风险比 0.93 0.64 3.01 1.56 0.87 0.64 0.63 0.51 0.49
资料来源：东证衍生品研究院

图表 38：滚动获得因子合集表现相对较好品种因子集
品种 因子 1 因子 2 因子 3 因子 4 因子 5 因子 6
J M1_t CILI_d USDX_d BDI_d RETAIL_t BD10Y
ZC M1_t BDI_d CPI_t LOAN_d PPI_t
I M1_t CPI_t USDX_d BD3M
BU CPI_t IMEX_t CILI_d PPI_t
L CILI_d PMI_d USDX_d CPI_t
FG USDX_d M1_t PPI_t BDI_d CPI_t PMI_d
Y M2_t PMI_d USDX_d LOAN_d CILI_d BDI_d
SR LOAN_d RETAIL_t IMEX_t BD10Y PPI_t USDX_d
CF CILI_d RETAIL_t USDX_d M1_t M2_t CPI_t
资料来源：东证衍生品研究院

29 期货研究报告
 专题报告 2017-12-14

2.6、三种方法筛选出表现相对较好品种因子集
上述三种方法回测结果差异较大，我们筛选出三种方法中表现较好的品种。筛选的标准
不可能很精准，我们分两步来进行筛选。

第一步进行综合筛选，也就是从关键指标如收益风险比（0.45 以上）、最大回撤（-30%
以内）以及夏普率（0.50 以上）等几个指标作出综合评判。第一步中筛选的结果中可能
有被重复选择的品种。

第二步用统计检验的方式进一步进行筛选（针对重复筛选的品种）。

首先我们采用 Ledoit and Wolf (2008)提出的稳健性重复抽样 bootstrap 的假设检验方法来

对两种策略的夏普率差别进行检验。以下为测试结果,可以发现 p 值均大于 0.05，也就是
说明不能拒绝两种策略的夏普率无显著差别的假设。检测方法的原理如下所示：

记初始的 studentized 检验统计量为：

ˆ
d 
s ( ˆ )

根据第 m 个 bootstrap 样本得到的 studentized 检验统计量为：

ˆ  ˆ
*,m

 , m  1, ..., M
*,m
d
s ( ˆ
*,m
)

d *,m
 d 1
PV 
M 1

其中 M 是 bootstrap 重采样的次数，PV 即为得到的 p-values，这里计算 p 值的方法是一

种简便的替代方法。我们计算出 p 值，可以根据其大小对检测结果进行判断。得到的检
测结果如下所示：

图表 39：统计检验不同策略的夏普率差别
品种 对比策略 t-statistic p-values 夏普率测试结果 相对好的结果
方法 3 与方法 2 1.82 0.27 方法 3>方法 2
ZC 方法 3 与方法 1 -1.38 0.32 方法 1>方法 3 方法 1 因子集
方法 2 与方法 1 -1.40 0.22 方法 1>方法 2
L 方法 1 与方法 3 -1.08 0.33 方法 1<方法 3 方法 3 因子集
FG 方法 1 与方法 3 1.06 0.35 方法 1>方法 3 方法 1 因子集
资料来源：东证衍生品研究院

其次由于夏普率的差别不明显不能很好的甄别两个策略的表现，因此下面我们进一步对

30 期货研究报告
 专题报告 2017-12-14

同一品种不同策略进行方差齐性检验，在此之前需要检验策略收益率序列是否满足正态
分布。

图表 40：正态分布检验
品种 策略收益率 Skewness Kurtosis KS 检验 Shapiro-Wilk 检验 Normaltest 检验
方法 1 -0.135 0.87 0.0 1.76e-05 0.008
ZC 方法 2 -0.072 0.76 0.0 5.51e-05 0.027
方法 3 -0.092 0.76 0.0 5.51e-05 0.024
方法 1 0.060 1.92 0.0 7.72e-17 4.55e-20
L
方法 3 0.070 1.67 0.0 1.97e-15 2.49e-17
方法 1 0.002 1.44 0.0 1.29e-08 1.91e-05
FG
方法 3 0.087 1.59 0.0 1.69e-09 3.08e-06
资料来源：东证衍生品研究院

由于上述几种正态分布的检验都拒绝原假设，所以收益率序列不满足正态分布。所以我
们检查方差是否齐性的时候不能使用对数据有正态性要求的检验，而使用 Levene 检验
（在数据非正态的情况下，精度高，且可调中间值度量）、Fligner-Killeen 检验（属于非
参数检验，不依赖于分布）
。

图表 41：不同策略的方差齐性检验（p 值）
品种 对比策略 Levene 检验 Fligner-Killeen 检验
方法 1 与方法 2 0.968 0.926
ZC 方法 1 与方法 3 0.849 0.921
方法 2 与方法 3 0.882 0.863
L 方法 1 与方法 3 0.001 0.008
FG 方法 1 与方法 3 0.992 0.954
资料来源：东证衍生品研究院

方差齐性检验中只有 L 的方法 1 和方法 3 拒绝原假设，也就是方差存在显著差异，其余

的几个策略则不能拒绝方差齐性的假设。我们再用 Mann-Whitney U 检验（样本量大于 20
时效果较好）、Wilcoxon 检验对方差齐性的几组策略进行进一步检验。

图表 42：不同策略的均值检验（p 值）
品种 对比策略 Mann-Whitney U 检验 Wilcoxon 检验
方法 1 与方法 2 0.24 0.24
ZC 方法 1 与方法 3 0.16 0.06
方法 2 与方法 3 0.39 0.81
FG 方法 1 与方法 3 0.43 0.66
资料来源：东证衍生品研究院

上述检验结果中 p 值均大于 0.05，也就是检验结果不能拒绝均值差异不明显的假设，通

过上述几个检验之后可以认为 L 的方法一和方法三的因子集构建的策略方差存在显著
差异，因此可以优先选方差较小的那一个策略因子集，而其它的由于均值，方差，夏普

31 期货研究报告
 专题报告 2017-12-14

率在统计学上没有显著差异，只能根据经验选择策略表现相对好一点的因子集。

最终这些表现相对较好的品种因子集汇总如下图所示。这些品种在回测中表现较好，但
是进入 2016 年之后由于美联储启动加息进程，美元指数波动加剧，由于采用月度数据
因此很难敏感的反应整个月的市场变化，这也导致了商品市场的波动开始加剧，各品种
的表现在这一时期也出现不同程度的回撤，但从整个时间段看这些品种的因子集较为有
效，对未来收益率的影响较为显著。

图表 43：三种方法筛选出表现相对较好品种因子集
大类 名称 品种 因子 1 因子 2 因子 3 因子 4 因子 5 因子 6
焦炭 J M1_t CILI_d USDX_d BDI_d RETAIL_t BD10Y
螺纹钢 RB M1_t CILI_d USDX_d BD10Y
黑色
动力煤 ZC M1_t
铁矿石 I M1_t CPI_t USDX_d BD3M
铜 CU USDX_d RETAIL_t PMI_d IMEX_t
有色 铝 AL USDX_d RETAIL_t PMI_d IMEX_t
锌 ZN USDX_d CPI_t PMI_d
沥青 BU CPI_t IMEX_t CILI_d PPI_t
塑料 L CILI_d PMI_d USDX_d CPI_t
能化
玻璃 FG BD10Y
PVC V BD10Y USDX_d
豆油 Y M2_t PMI_d USDX_d LOAN_d CILI_d BDI_d
白糖 SR LOAN_d RETAIL_t IMEX_t BD10Y PPI_t USDX_d
农产品 棉花 CF CILI_d RETAIL_t USDX_d M1_t M2_t CPI_t
鸡蛋 JD PMI_d
豆粕 M USDX_d BDI_d
资料来源：东证衍生品研究院

另外黑色系在滚动样本逐步回归法获得因子集下回测效果较好，但这种方法可能有一定
的偶然性，因为我们分析当时出现回撤的原因在于政策因素的影响，宏观因子集很难变
得有效。因此这种方法得到的黑色系每个时期的有效因子集存在一定的偶然性，当然我
们也可以在各个时期都采用以下的因子集。

32 期货研究报告
 专题报告 2017-12-14

图表 44：三种方法筛选出表现相对较好品种因子集策略关键指标
大类 名称 品种 年化收益率 夏普率 最大回撤 胜率 盈亏比 收益风险比
焦炭 J 28.42% 0.70 -30.67% 0.50 1.67 0.93
螺纹钢 RB 22.43% 0.85 -28.02% 0.70 0.78 0.80
黑色
动力煤 ZC 50.17% 2.20 -14.41% 0.50 3.58 3.48
铁矿石 I 78.45% 1.60 -26.10% 0.88 0.32 3.01
铜 CU 15.02% 0.57 -25.84% 0.65 0.83 0.58
有色 铝 AL 8.80% 0.47 -17.96% 0.56 1.22 0.49
锌 ZN 12.31% 0.54 -22.26% 0.53 1.35 0.55
沥青 BU 38.69% 1.29 -24.74% 0.50 2.33 1.56
塑料 L 17.67% 0.85 -20.38% 0.73 0.65 0.87
能化
玻璃 FG 12.02% 0.62 -15.46% 0.33 3.34 0.78
PVC V 11.85% 0.58 -25.60% 0.71 0.65 0.46
豆油 Y 14.16% 0.65 -22.60% 0.61 1.03 0.63
白糖 SR 14.71% 0.69 -28.61% 0.56 1.31 0.51
农产品 棉花 CF 11.89% 0.49 -24.48% 0.47 1.66 0.49
鸡蛋 JD 44.44% 1.90 -10.82% 0.58 2.69 4.11
豆粕 M 16.79% 0.68 -25.63% 0.69 0.72 0.66
资料来源：东证衍生品研究院

图表 45：三种方法筛选出表现相对较好品种回测净值

4.5 J RB ZC I CU AL ZN BU
4

3.5

2.5

1.5

0.5
08/01

08/09

09/05

10/01

10/09

11/05

12/01

12/09
13/01
13/05

14/09
15/01
15/05
15/09

16/05

17/01
08/05

09/01

09/09

10/05

11/01

11/09

12/05

13/09
14/01
14/05

16/01

16/09

17/05

资料来源：东证衍生品研究院

从结果来看，虽然通过三种方法筛选出了黑色系表现较好的几个品种，但是黑色系在
2016 年 9 月以后的回撤仍较大。我们之前也分析了正是因为去产能和 276 政策对黑色系
供给造成影响，造成供给弹性不足，另外房地产调控政策对需求影响有一定滞后。而宏
观指标则相对多的反映了市场的需求，并且这种需求还受到房地产调控的影响，而对政

33 期货研究报告
 专题报告 2017-12-14

策带来的供给弹性不足问题不能及时的反应，因而出现了较大幅度的回撤。其它时候黑
色系表现相对平稳。因此我们也可以得出结论，在分析宏观因子模型时需要考虑外部政
策因素的影响，在中国政策的不确定性影响较大，可能会对宏观模型造成较大冲击。另
外有些品种如 ZC（动力煤）由于上市时间较短，偶然性可能比较大。

有色金属的表现总体整体来看只是一般。并且 CU、AL、ZN 走势相关性较高，有些时

候表现相对较好，比如 2010 年年底之前的一段时间。有些时候表现又比较一般。总体
呈现一定的周期性特征，由于有色受到经济景气程度影响比较大，因此这种走势可能和
经济周期的此起彼伏相关联。能化各品种相对来说要好一些。另外宏观因子并非在所有
时候对品种都有效，我们采用的筛选方法得到的结果只能是整体上相对较好，并不代表
在每一个阶段都表现很好。有些宏观因子可能在受到政策因素影响之后，在某些时期变
化较大，对于品种的走势的影响就会变大，比如 2015 年密集降息降准政策，存贷款利
率逼近低点，这时期国债收益率的影响凸显出来，成为影响市场走势较显著的因子之一。

图表 46：三种方法筛选出表现相对较好品种回测净值
5
L FG V Y SR CF JD M
4.5
4
3.5
3
2.5
2
1.5
1
0.5
08/01
08/05
08/09
09/01
09/05
09/09
10/01
10/05
10/09
11/01
11/05
11/09
12/01
12/05
12/09
13/01
13/05
13/09
14/01
14/05
14/09
15/01
15/05
15/09
16/01
16/05
16/09
17/01
17/05

资料来源：东证衍生品研究院

相比较而言农产品的表现在各个时期相对比较稳定。农产品中大豆等品种还依赖进口，
因此汇率的风险也就不能忽略。农产品主要受美元指数，通胀以及经济景气指数等几个
宏观因子影响比较大，这也符合一般情形。相对而言，农产品由于其自身的属性，受政
策的影响相对要弱一些，这和黑色系有着明显的不同。因此政策的冲击对农产品影响相
对有限，而宏观因素方面的原因则对其影响较大，这也就是大部分时间段内农产品的表
现都相对较好的原因。

3、宏观经济解释及数据预测
3.1、各因子暴露变化趋势的经济解释
各因子的暴露变化趋势受到宏观经济事件的影响，下面我们主要以黑色系为例进行说
明。

34 期货研究报告
 专题报告 2017-12-14

图表 47：焦炭对各因子暴露的变化趋势 图表 48：焦煤对各因子暴露的变化趋势
0.4 0.3
USDX_d PMI_d USDX_d PMI_d
M1_t CILI_d M1_t CILI_d
0.3 BD10Y LOAN_d
BD10Y LOAN_d 0.2
0.2
0.1
0.1

0 0

-0.1
-0.1
-0.2
-0.2
-0.3

-0.4 -0.3
13/03
13/06
13/09
13/12
14/03
14/06
14/09
14/12
15/03
15/06
15/09
15/12
16/03
16/06
16/09
16/12
17/03
17/06
17/09

15/02
15/04
15/06
15/08
15/10
15/12
16/02
16/04
16/06
16/08
16/10
16/12
17/02
17/04
17/06
17/08
资料来源：Wind，东证衍生品研究院 资料来源：Wind，东证衍生品研究院

图表 49：螺纹钢对各因子暴露的变化趋势 图表 50：动力煤对各因子暴露的变化趋势
0.2 0.15
USDX_d PMI_d M1_t
0.15 0.1 CILI_d BD10Y LOAN_d
0.1
0.05
0.05
0
0
-0.05
-0.05
-0.1
-0.1 USDX_d PMI_d
M1_t CILI_d -0.15
-0.15 BD10Y LOAN_d
-0.2 -0.2
11/02
11/07
11/12
12/05
12/10
13/03
13/08
14/01
14/06
14/11
15/04
15/09
16/02
16/07
16/12
17/05

15/08

15/10

15/12
16/02

16/04

16/06

16/08

16/10

16/12
17/02

17/04

17/06

17/08

资料来源：Wind，东证衍生品研究院 资料来源：Wind，东证衍生品研究院

35 期货研究报告
 专题报告 2017-12-14

图表 51：铁矿石对各因子暴露的变化趋势
0.2

0.1

-0.1

-0.2 USDX_d PMI_d

M1_t CILI_d
BD10Y LOAN_d
-0.3
15/09

15/11

16/01

16/03

16/05

16/07

16/09

16/11

17/01

17/03

17/05

17/07

17/09

资料来源：Wind，东证衍生品研究院

可以发现对于黑色系品种来说，因子暴露的变化趋势在 2015 年底至 2016 年初开始发生

了较大的变化，也就是 LOAN_d（金融机构:中长期贷款余额:环比）、CILI_d（宏观经济
景气指数:先行指数）和 BD10Y（中债国债到期收益率:10 年）这三个因子的暴露的绝对
值从那时候起变得较大，可以推断从这个时候起黑色系几个品种受到这三个因子的影响
较大。
图表 52：PMI 和宏观经济景气先行指数走势 图表 53：中美利率变化趋势
52.5 PMI CILI(右轴) 101.5 6
52 101.0
51.5 100.5 5
中国1年期存款基准利率
51 100.0 中国1年期贷款基准利率
4
50.5 99.5 美国联邦基金目标利率
50 99.0 3
49.5 98.5
2
49 98.0
48.5 97.5 1
48 97.0
47.5 96.5 0
12/10
13/02
13/06
13/10
14/02
14/06
14/10
15/02
15/06
15/10
16/02
16/06
16/10
17/02
17/06
12/09
13/01
13/05
13/09
14/01
14/05
14/09
15/01
15/05
15/09
16/01
16/05
16/09
17/01
17/05

资料来源：Wind，东证衍生品研究院 资料来源：Wind，东证衍生品研究院

36 期货研究报告
 专题报告 2017-12-14

图表 54：中债国债到期收益率：10 年 图表 55：金融机构：中长期贷款余额（环比）
5.0 4.0%
中债国债到期收益率:10年 金融机构中长期贷款余额(环比)
3.5%
4.5
3.0%

4.0 2.5%

2.0%
3.5 1.5%

1.0%
3.0
0.5%

2.5 0.0%

14/02
14/05
14/08
14/11
15/02
15/05
15/08
15/11
16/02
16/05
16/08
16/11
17/02
17/05
17/08
14/02
14/05
14/08
14/11
15/02
15/05
15/08
15/11
16/02
16/05
16/08
16/11
17/02
17/05
17/08
17/11

资料来源：Wind，东证衍生品研究院 资料来源：Wind，东证衍生品研究院

图表 56：近年来重要宏观事件以及影响的因子
重要风险
风险类别 因子含义 重要宏观事件
因子
2015 年央行密集降息降准，2015 年
利率风险 10 年期中债国债到期 10 月 24 日最后一次降息之后，一年
BD10Y
（Bond） 收益率 贷款基准利率为 4.35%，存款基准利
率为 1.5%，为历年最低。
金融机构中长期贷款 金融机构中长期贷款余额在 2016 年 1
流动性风险 LOAN_d
余额月度变化率 月大幅上升，居民贷款也开始大幅上
（Liquity）
M1_t 狭义货币供应量同比 升，房地产市场上涨。
宏观经济景气先行指 宏观经济景气先行指数从 2015 年 12
CILI_d
数月度变化率 月见底反弹；
经济周期风险
PMI 在 2016 年 2 月达到 49 的低谷，
（Cycle） 采购经理人指数月度
PMI_d 随后开始上升；
变化率
PMI 在 2016 年 10 月单月涨幅较大。
汇率风险 美联储在 2015 年 12 月 17 日开启加息
USDX_d 美元指数月度变化率
（Currency） 进程，随后两年间又加息数次。
资料来源：东证衍生品研究院

而 2015 年底至 2016 年初最重要的宏观事件莫过于 2015 年 12 月美联储开始加息，人民

币贬值预期较强。另外比较重要的事件是 2015 年 10 月 24 日起，央行下调金融机构一年
期贷款基准利率 0.25 个百分点至 4.35%，
下调一年期存款基准利率 0.25 个百分点至 1.5%。
这两件事情都属于货币政策范畴，货币政策的变化使得利率风险凸显，利率风险一定程
度上反应通胀程度，国债收益率代表名义利率，也就是无风险利率，其水平已经隐含了

37 期货研究报告
 专题报告 2017-12-14

市场对未来一段时期内的通胀预期，因此利率风险中包含了通胀风险。国债收益率反映
了利率和通胀的预期，因此这段时期国债收益率成为影响黑色系商品价格较大的因子之
一。2016 年第四季度起国债收益率开始上涨，对黑色系的影响也逐步降低。观察其余能
化、有色、农产品等品种，这段时期内中债国债到期收益率的影响也开始凸显。

存款基准利率在 2016 年起基本处于低位，伴随着利率处于较低水平，房地产市场也开

始出现明显上涨行情，居民开始负债买房，对应着这时候的中长期贷款余额明显上升，
流动性风险也开始上升。因此中长期贷款余额在这段时期的影响开始逐步上升。房地产
市场的火爆带动了需求的增长，钢铁需求随之提升，同期供给侧改革也开始启动，带动
黑色系从 2016 年起开启了一轮牛市行情。房地产市场也提升了经济增长预期，同时宏
观经济景气先行指数率先从 2015 年 12 月见底反弹，PMI 则在 2016 年 2 月达到 49 的低
谷，随后开始反弹，说明经济开始企稳向好，经济周期风险中的宏观经济景气指数先行
指数对商品价格的影响也逐渐显现。

而从图中也可以发现 PMI_d 的影响从 2016 年 10 月起也开始明显上升，同期对应的 2016

年 10 月份的 PMI 较 9 月份出现大幅回升，制造业采购经理指数综合反映了经济的景气
程度，该指数大幅回升使得经济向好预期加强，经济周期风险在这个时期开始凸显，而
在 2016 年第四季度黑色系也持续了一轮明显上涨，也说明了 PMI_d 因子在那个时期对
黑色系价格的影响开始增强。

3.2、宏观经济数据预测
我们在进行之前的回测时，假设的前提是已经知道了未来一个月的经济指标数据，而在
实际中我们使用模型时，只能得到因子的暴露，而没有下一个月的宏观经济数据。因此
我们需要根据宏观分析先得到宏观指标未来一个月的一个预测值，进而获得下一个月的
收益率预测。

宏观经济指标的预测涉及的范围较广，因此需要较多的数据源（或者组织调差问卷），
而这些都不容易直接获取，导致预测难度较大。以 PMI 为例，它涵盖了企业采购、生产、
流通等各个环节。制造业采购经理调查采用 PPS（Probability Proportional to Size）抽样方
法，以制造业行业大类为层，行业样本量按其增加值占全部制造业增加值的比重分配，
层内样本使用与企业主营业务收入成比例的概率抽取。调查由国家统计局直属调查队具
体组织实施，利用国家统计联网直报系统对企业采购经理进行月度问卷调查。

制造业采购经理调查问卷涉及生产量、新订单、出口订货、现有订货、产成品库存、采
购量、进口、购进价格、出厂价格、原材料库存、从业人员、供应商配送时间、生产经
营活动预期等 13 个问题。对每个问题分别计算扩散指数，即正向回答的企业个数百分
比加上回答不变的百分比的一半。其中出厂价格指数于 2017 年 1 月起发布。采购经理
调查是一项月度调查，受季节因素影响，数据波动较大。因此需要经过季节调整处理后
再发布数据。

PMI 是一个综合指数，由 5 个扩散指数（分类指数）加权计算而成。5 个分类指数及其

权数是依据其对经济的先行影响程度确定的。具体包括：新订单指数，权数为 30%；生
产指数，权数为 25%；从业人员指数，权数为 20%；供应商配送时间指数，权数为 15%；

38 期货研究报告
 专题报告 2017-12-14

原材料库存指数，权数为 10%。其中，供应商配送时间指数为逆指数，在合成 PMI 综合

指数时进行反向运算。

根据 PMI 的调查范围，调查方法以及计算方法等，我们可以了解 PMI 数据如何得到，

但限于数据源的获取较为困难，以及调查范围的限制，我们即使知道了其计算方法，也
无法精确预测 PMI 数据。

图表 57：PMI 各细项对 PMI 的拉动（经季节调整）

2.0%
生产(25%) 新订单(30%) 原材料库存(10%)
1.5%
从业人员(20%) 供应商配送时间(15%)
1.0%

0.5%

0.0%

-0.5%

-1.0%

-1.5%
16/09

16/10

16/11

16/12

17/01

17/02

17/03

17/04

17/05

17/06

17/07

17/08
资料来源：国家统计局，东证衍生品研究院

图表 58：PMI 相关指标情况（经季节调整）

80 新出口订单 进口 采购量 主要原材料购进价格

出厂价格 产成品库存 在手订单 生产经营活动预期
70

60

50

40

30

20

10

0
16/08

16/09

16/10

16/11

16/12

17/01

17/02

17/03

17/04

17/05

17/06

17/07

17/08

资料来源：国家统计局，东证衍生品研究院（单位：%）

从 PMI 各细项对 PMI 的拉动图上也可以看出，并没有什么规律可循，比如 2016 年贡献

较大的是新订单的增加，但是到 2016 年 11 月这种贡献大幅下滑，生产的拉动作用又上

39 期货研究报告
 专题报告 2017-12-14

来了，只能大致看出这段时间内什么因素对 PMI 的影响比较大。而根据 PMI 相关指标

的相关指标的情况，我们可以发现很多指标走势在一段时间内相对平稳，因此我们可以
根据宏观分析再结合近期的走势以及各分项贡献度来得到一个分项的预测值。再用各个
分项的预测值加权得到预测的 PMI 值，之后再进行季节性的调整，经过这样的步骤之后
我们就可以得到一个预测的 PMI 值。

其它的指标如美元指数，美元指数（US Dollar Index，USDX）是通过平均美元与六种国

际主要外汇的汇率得出的。美元指数显示的是美元的综合值。一种衡量各种货币强弱的
指标。美元指数是参照 1973 年 3 月六种货币对美元汇率变化的几何平均加权值来计算
的，以 100.00 为基准来衡量其价值。其它货币的权重为 EUR：0.576、JPY：0.136、GBP：
0.119、CAD：0.091、SEK：0.042、CHF：0.036。我们在预测美元指数的时候也需要根
据美元与其它六种货币的汇率来综合预测美元指数。

其余的指标如金融机构中长期贷款余额、中债国债到期收益率还有宏观经济景气指数先
行指数等指标也需要根据宏观分析来给出具体的预测值，总体而言预测的难度较大，而
且预测精确度很难提高。

4、结论
为了获得比较有效的宏观经济因子库，我们构建了一套完整的流程来进行筛选，继而通
过逐步回归等方式来获得较为显著的因子集，因子集包括 USDX_d、CILI_d、PMI_d、
M1_t、LOAN_d、BD10Y 等这些因子。我们用这些因子对所有的品种进行测试，根据它
们未来收益的预期来配臵相关期货品种，得到的结果较平稳。为了进一步获得各个品种
的有效因子集，我们采用三种方法来进行筛选。方法一，采用全样本逐步回归法获得的
因子集进行回测。方法二，采用全样本逐步回归法获得大类的共同因子集进行回测。方
法三，采用滚动样本逐步回归法获得因子集进行回测。最后根据三种方法筛选出一些品
种相对有效的因子集（图表 39 所列品种及因子集） ，并且得到一些重要结论。

1、该报告的目的是通过上述的筛选方法来获得各品种有效的宏观因子集，进而确定对
该品种影响较大的宏观指标。测试中我们通过构造策略这种方式来具体检测因子集的有
效性。构造测试策略时先根据因子集获得因子暴露，然后代入未来一期的宏观因子获得
收益预测后再决定多空操作，并根据最终策略的表现测试因子集的有效性。如果投资者
对未来宏观指标有一定预期，也可以根据模型对未来收益做出预测。

2、大部分品种在回测中表现较好，但是进入 2015 年底之后由于美联储启动加息进程，

美元指数波动加剧，采用月度数据的因子因此很难敏感地反应整个月的市场变化，这也
导致了商品市场的波动开始加剧，各品种在这一时期也出现不同程度的回撤，但从整个
时间段看这些品种的因子集仍较为有效，对未来收益率的影响较大。

3、采用全样本逐步回归法获得的因子集进行回测时黑色系在 2016 年 9 月以后出现较大

回撤。原因可能是滚动最小二乘法获得暴露的方法对暴露系数的时变特征不敏感。因此
我们通过 DCC-GARCH 和卡尔曼滤波得到动态时变的暴露系数来测试，结果有一定提
升，但是不太明显。最大原因在于当时一二线城市集中推出房地产限购限贷政策，以及
去产能、276 个工作日政策等叠加需求旺季导致供需缺口增大等因素的影响，使得宏观

40 期货研究报告
 专题报告 2017-12-14

因子的有效性在这一段时期下降，而政策因素的影响上升，因而出现了较大幅度的回撤。
因此黑色系除了关注宏观因子集之外，需要额外关注政策限产等因素的影响。

4、有色金属表现整体一般。表现时好时坏，回撤较黑色系要小一些，总体呈现一定的
周期性特征。筛选其因子集时我们根据的是其整体的表现情况，因此在某些阶段可能因
子集不是很有效。能化各品种相对来说表现要好一些。对工业品而言，需求周期最关键，
是决定价格的核心变量。而需求则与经济周期、投资周期与政策联系紧密，高度不确定，
而且趋势性较好，持续时间长，对价格具有关键影响。由于有色金属和能化品种受到经
济周期影响比较大，因此这种走势可能和经济周期的此起彼伏相关联。

5、对农产品而言，供应周期最关键，是决定价格的核心变量，其余政策等方面影响相
对小。汇率因素（美元指数）和一些经济景气指标以及通胀指标对农产品影响较大，并
且这些宏观指标在大部分时候对农产品的影响都相对稳定，因此农产品在各个时期的表
现都比较平稳，说明农产品的因子集在大部分时间都表现稳定。

6、筛选出的宏观因子并非在所有时候对品种都有效，我们采用的筛选方法得到的结果
只能是整体上相对较好，并不代表在每一个阶段都表现很好。另外如果未来市场环境有
了重大变化，因子集也可能会失效。由于入选宏观因子数量有限，因此很难将各个时间
段内影响较大的因子都纳入其中。比如某些时间段一些因子的影响可能要大一些，但是
如果在整个时间段内占比较小，也可能不被入选。而采用滚动逐步回归法得到的变化的
因子集虽然在黑色系表现较好，但是其它品种表现都很一般。

7、宏观因子暴露系数的走势与宏观环境的变化密切相关。例如 2015 年中国央行密集降

息降准，中长期贷款也开始上升，房地产迎来上涨，而美联储也开始启动加息进程，所
以利率风险（国债收益率），经济周期风险（经济景气指数先行指标）从那个时候起对
各品种的走势影响变大。

我们在进行之前的回测时，假设的前提是已经知道了未来一个月的经济指标数据，而在
实际中我们使用模型时，只能得到因子的暴露，而没有下一个月的宏观经济数据。因此
我们需要预测未来一个月的宏观指标，进而获得下一个月的收益率预测。

宏观经济指标的预测涉及的范围较广，因此需要较多的数据源（或者组织调差问卷），
而这些都不容易直接获取，导致预测难度较大。在预测宏观数据时，我们可以根据宏观
分析再结合近期的走势以及各分项贡献度来得到一个分项的预测值。再用各个分项的预
测值加权得到预测值，之后再进行季节性的调整，通过这样的方式得到的结果可靠性相
对高一些。总的来说，由于数据获取难度较大，涉及的范围较广，预测难度较高，预测
的精度可能会受到影响。因此虽然我们知道了各品种的有效因子集，但是预测收益率上
的效果可能一般。

5、风险提示
理论模型在实际情况下有失效风险。

41 期货研究报告
 专题报告 2017-12-14

期货走势评级体系（以收盘价的变动幅度为判断标准）

走势评级 短期（1-3 个月） 中期（3-6 个月） 长期（6-12 个月）

强烈认购 上涨 15%以上 上涨 15%以上 上涨 15%以上
认购 上涨 5-15% 上涨 5-15% 上涨 5-15%
震荡 振幅-5%-+5% 振幅-5%-+5% 振幅-5%-+5%
认沽 下跌 5-15% 下跌 5-15% 下跌 5-15%
强烈认沽 下跌 15%以上 下跌 15%以上 下跌 15%以上

上海东证期货有限公司

上海东证期货有限公司（简称东证期货）是东方证券股份有限公司全资子公司，注册资本达

10亿元，系国内四家期货交易所的结算会员。

东证期货专注于金融期货和商品期货的研究与服务，提供权威、及时的研发产品服务和投资

策略；专注于信息技术的创新，创建安全、快捷的交易通道，开发多样化、个性化的交易系

统；专注于构筑全面的风险管理和客户服务平台。

东证期货管理团队管理经验丰富，业绩出众，在业内享有盛誉。人才管理及激励机制完善，

公司拥有硕士学历以上人员占比30%，具有海外证券和期货经历的高端人才占比10%。

2010年，东证期货发展迅猛，成绩斐然，成为业内进步最快、最受瞩目的期货公司之一。2011

年初，东证期货荣获2010年度中国金融期货交易所年度会员金奖，同时获投资者教育奖、客户

管理奖、技术管理奖和功能发挥奖等四项单项大奖；荣获上海期货交易所优胜会员第七名，

铜、橡胶和燃料油三项企业服务奖；荣获大连商品交易所优秀会员第九名；东证衍生品研究

院（原东证期货研究所）荣获大连商品交易所、和讯网第二届全国“十大期货研发团队”农

产品团队全国第二名、化工团队全国第五名；荣获郑州商品交易所行业进步奖等。

东证期货全年无风险事故，充分体现了公司稳健经营，稳步发展的经营宗旨。

【
行
业
研
究
】

42 期货研究报告
 专题报告 2017-12-14

分析师承诺

田钟泽

本人具有中国期货业协会授予的期货执业资格或相当的专业胜任能力，以勤勉的职业态度，独立、客
观地出具本报告。本报告清晰准确地反映了本人的研究观点。本人不曾因，不因，也将不会因本报告
中的具体推荐意见或观点而直接或间接接收到任何形式的报酬。

免责声明

本报告由上海东证期货有限公司（以下简称“本公司”
）制作及发布。

本研究报告仅供本公司的客户使用。本公司不会因接收人收到本报告而视其为本公司的当然客户。

本研究报告是基于本公司认为可靠的且目前已公开的信息撰写，本公司力求但不保证该信息的准确性
和完整性，客户也不应该认为该信息是准确和完整的。同时，本公司不保证文中观点或陈述不会发生
任何变更，在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。本公司会适时
更新我们的研究，但可能会因某些规定而无法做到。除了一些定期出版的报告之外，绝大多数研究报
告是在分析师认为适当的时候不定期地发布。

在任何情况下，本报告中的信息或所表述的意见并不构成对任何人的投资建议，也没有考虑到个别客
户特殊的投资目标、财务状况或需求。客户应考虑本报告中的任何意见或建议是否符合其特定状况，
若有必要应寻求专家意见。本报告所载的资料、工具、意见及推测只提供给客户作参考之用，并非作
为或被视为出售或购买投资标的的邀请或向人作出邀请。

在任何情况下，本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任，投资者
需自行承担风险。

本报告主要以电子版形式分发，间或也会辅以印刷品形式分发，所有报告版权均归本公司所有。未经
本公司事先书面授权，任何机构或个人不得以任何形式复制、转发或公开传播本报告的全部或部分内
容，不得将报告内容作为诉讼、仲裁、传媒所引用之证明或依据，不得用于营利或用于未经允许的其
它用途。

如需引用、刊发或转载本报告，需注明出处为东证衍生品研究院，且不得对本报告进行任何有悖原意
的引用、删节和修改。

东证衍生品研究院

地 址： 上海市中山南路 318 号东方国际金融广场 2 号楼 22 楼

联系人：梁爽
电 话： 8621-63325888-1592
传 真： 8621-33315862
网 址： www.orientfutures.com
Email： research@orientfutures.com

43 期货研究报告