如何抑制宏观信息的“过度拟合”?-宏观数据的去噪、降维及应用

该报告的要点是,国内投资者大多使用未经处理的宏观数据,总体上有过度拟合的趋势。

基于去噪和降维方法构建了两组宏观指标(天丰制造业活动指数和天丰实际货币状况指数),并验证了这些指标在资本市场的预测能力。

宏观数据去噪降维我们采用X-13-ARIMA-座椅软件对国内宏观数据进行季节性调整,可以更清晰地再现季节性调整后的宏观趋势;如果我们考虑平滑春节机动假期效果,我们将进一步提高季节性调整效果。

我们比较了国内宏观数据中离散傅立叶变换和主成分分析模型的降维效果,发现离散傅立叶变换的优势在于一定的平滑效果,但在对主成分分析提取的因子进行MA2平滑后,平滑优势基本消失。

此外,离散傅立叶变换模型的参数估计远大于主成分分析,这使得量化滚动回溯时离散傅立叶变换模型的参数估计不稳定。

宏观指数基于与制造业密切相关的八个宏观指数。经过季节性调整和降维后,我们综合了天丰制造活动指数。该指数能够有效地反映链对链意义上的短期经济波动,而同比序列的信噪比非常高,能够显著反映中国经济的波动周期。

在GoodhartandHomman(2001)的基础上,结合当地金融周期的特点,我们改进了货币和金融状况指标的构建方法,形成了TFEMCI,这是一个同比意义指标,反映了中国金融周期非常符合实际情况。

为了构建指数预测能力测试,我们将TFMAI年环比和环环比序列以及TFEMCI序列信号应用于国内股票、债券和大宗多空时间策略。

在债券市场,三个串行信号都具有非常显著的时序轮换能力。当我们将三组权重相等的指标组合起来选择时机时,成功率达到64.65%,效果显著。

在大宗市场上,TFMAI环比较和TFEMCI具有显著的计时能力。我们建议投资者将TFMAI环比指数纳入月度批量计时系统。

在股票市场,我们将TFMAI和TFEMCI指标与上一份报告中的货币因素相结合,并根据不同指标的历史表现确定下一期的时间指标。该策略取得了更好的计时效果,年化14%,夏普1.15%,胜率60.40%。

正文1引言金融投资活动离不开对宏观信息的正确使用,但我们发现国内投资者在分析和使用宏观数据时可能会有一定的过度拟合倾向,这既体现在主观投资上,也体现在定量投资上。

一方面,国内大多数宏观研究都是基于原始(或未经处理)的宏观序列,这些序列通常受到季节因素、移动节假日、基数效用等多种因素的干扰(中国人民银行统计调查司,2006年),使得数据本身的信噪比较低。

就时间序列而言,在中国使用宏观数据时,似乎普遍缺乏去噪过程。

另一方面,宏观数据是典型的大N小T型数据(何新华,2017)。横截面足够了,但时间序列不够长,可以提取的有用信息的维数远远小于横截面的数量(例如,有数千个反映经济增长的指标)。如果投资者连续不断地查看宏观数据库中的条目并试图出错,就会发现对预期结论的拟合效果感到满意的指标,从而在大多数依赖宏观信息的主观分析或定量模型中或多或少地导致过度拟合的趋势。

在横截面维度上,我们认为有必要缩小具有相似逻辑内涵的指标集的维度,以尽可能减少过度拟合的风险。

在海外市场,官方数据发布机构(如美联储、美国统计局、各种行业协会等)。)和指数服务公司(美林、摩根、摩根士丹利资本国际)越来越关注宏观信息的实时季度调整和指数化。绝大多数投资机构都在使用经过处理的宏观信息进行研究和分析。

然而,在国内市场,虽然官方机构提供了少数宏观项目的季度业绩,但其季度透明度和市场影响力尚未达到发达市场的水平,宏观信息的指数化仍处于初始阶段。

在本报告中,我们试图基于X-13-ARIMA-座椅和静态因子分析(主成分分析)对宏观信息进行去噪和降维,以构建能够指示国内资本市场的宏观指标(天丰制造业活动繁荣指数TFMAI和天丰实际货币状况指数Tfifci)。同时,基于实证检验,我们发现这些指数信号在债券、股票和大宗商品市场具有显著的预测能力,并且这种预测能力相对稳定。

2宏观信息处理2.1。季节性去噪方法时间序列一般可视为由趋势(T)、周期(C)、季节性(S)和不规则因素(I)组成。在宏观序列分析中,T和C的信息具有丰富的逻辑内涵,而S和I是需要过滤的噪声干扰。

通常,同比比较是一种相对简单的消除季节性的方法,但是:1)由于比较间隔为12个月,同比数据捕捉经济周期拐点的及时性相对较低,同比数据反映的经济周期拐点平均滞后半年(Jain,1989);2)同比数据容易受到基期数据的影响。如果基准期内有许多不规则因素,同比数据的波动将会很大,很容易在经济分析中造成误差(刘建平和王玉琴,2015年)。

目前,大多数央行和大型海外机构投资者利用X-13-ARIMA席位计划每季度调整宏观初始数据。

X-13-ARIMA-座椅系列工具源自美国经济普查局1967年开发的X-11季度调整软件。其操作说明可在《人口普查报告时代搜索》(2018年)的参考手册中找到。

X-13-ARIMA-座椅工艺参数少,季节调节效果稳定,但在国内宏观环境中应用时会面临移动度假的问题(张晓东、徐鹏,2013);具体来说,农历新年对日历的影响期并不固定,对1月和2月宏观数据的影响也每年都在变化。有必要根据某些逻辑假设提供受春节影响的天数变量,以便在regARIMA模块中预处理时间序列。

在处理春节期间的移动假日问题时,许多文件都提出了一些可行的解决方案:栾慧德和张晓东(2007)认为,春节前20天、春节期间10天和春节后20天作为受影响的日期更适合处理中国的宏观数据;在中国人民银行出版的《时间序列X12-ARIMA季节调整——原则与方法》中,作者基于根霍尔计划的三段等重移动假日效应变量给出了一个改进的三段变重春节模型,这些模型已经在PBC版本的X-12-ARIMA计划(中国人民银行开发的季节调整软件)中得到固化;此外,陈雄强(2011)证明,只有春节前后10天的设置更适合国内宏观特征。

我们试图比较不同参数状态下的反季节效应。使用的数据样本是国内宏观上最重要的两组月度数据:消费物价指数和工业增加值:固定基础数据。

春节机动假期的治疗方法有三种:1)不治疗春节效应;2)春节前20天、春节期间10天、春节后20天(栾慧德、张晓东,2007);3)春节前10天和春节后7天(陈雄强,2011)。

(具体季节调整方法的实施详见以上三份文件)。

在消费物价指数数据中,我们发现上述任何一种季节性调整方法都可以显著消除消费物价指数固定基序列中的季节性,但很难反映不同季节性调整方法在季节性调整序列中的效果差异。

手机春节效应对2月份的环比数据影响最大。在不同的按季度调整计划下,我们继续观察二月份消费物价指数的按月表现。我们发现,环比调整能有效降低2月份环比的绝对偏差水平,移动春节假期调整比没有移动假期调整具有更显著的平滑效果。此外,春节前后10天的设置效果明显优于春节前后20天、10天和20天。

绝对偏差水平的计算方法如下:同样,我们使用三种方法对工业增加值的固定基础指数进行季节性调整(VAI)。

如下图所示,VAI数据具有较强的季节效应,而季节调整模型能够显著稳定季节波动,获得良好的季节调整效果。

在观察每年2月至2月不同季节调整模型的绝对偏差水平时,发现三种季节调整方法与原始数据相比有明显的改善。春节机动假期处理的平滑效果远远好于不处理的季节性调整方法。此外,与消费物价指数数据类型一致,春节前后第10天和第7天的设置效果明显好于春节前后第20天、第10天和第20天。

最后,我们从每个季度调整模式的月平均值中计算出CPI和VAI数据的绝对偏差水平,并着重将2月份每组数据的平均偏差水平与整个样本的平均偏差水平进行比较。

比较表明,节后前10天和第7天的季节调整方法确实具有较好的季节调整性能,整个样本的偏离度和仅2月份的偏离度都是2月份同类方法的最低水平。

但是,应该注意的是,2月份的平均偏差水平仍然明显高于整个样本的平均偏差水平,尽管在第一个10个季度和第二个7个季度采用了季节性调整方法。

我们分析的主要原因是春节假期的影响包含一些难以澄清的不规则因素,并且仍然难以完全消除简单的移动假期。

我们将上述分析应用于其他宏观样本数据,得出了基本相同的结论。因此,我们建议在假期前10天和假期后7天对宏观数据进行季节性调整,并合并1月和2月的数据,以放弃收集2月的季度环比信息。

接下来,我们将进一步分析季节性调整后的数据是否能帮助投资者识别宏观趋势。VAI是宏观领域最受关注的指标。我们将以VAI数据为例。

可以发现,投资者普遍关注的同比数据难以反映实际的宏观趋势。

但是,我们可以通过将上述季度环比序列平滑2*3MA,清楚地反映VAI的实际趋势特征。作为比较,我们还对VAI非季节性调整序列进行了2*3MA平滑(结合1月和2月的数据),但很难观察到实际VAI的趋势信息。

综上所述,我们认为主观投资者可以通过这种方法适当地调整和观察宏观序列,通常可以获得比一般的同比序列更清晰的趋势信息。

2.2 .宏观经济信息降维方法经济的周期性波动通过一系列经济变量的活动传递和扩散。任何经济变量的波动都不足以代表宏观经济的整体波动。

随着信息技术的发展,机构投资者和中央银行可以从多个方面获得各种维度的经济变量,但具有实际商业价值的信息维度并不多,主要包括经济增长、工业产出、货币金融、通货膨胀等。因此,有必要减少所使用的高维宏观信息的维数。

静态因子模型是最常见的降维方法,主成分分析是该方法的一个常见特例。

Geweke(1977)将时间序列的动态特征引入因子模型,建立了动态因子模型(DFM)。

MarianoandMurasawa(2003)认为:与静态因子模型相比,动态因子模型对观测变量具有更强的时间序列预测能力,该模型可以接受混合频率的观测变量。

接下来,本文试图将离散傅立叶变换模型与常用的主成分分析法进行比较,并分析每个模型的适用环境。为了更好地说明这个问题,下面强调的天丰制造活动指数(TFMAI)的降维细节将作为一个例子。

本文将构建的指数的8个季节性调整的宏观变量分别用两种方法进行简化:1)离散傅立叶变换模型,因子个数为1,因子的阶数和误差自回归阶数均为2;2)主成分分析降维,以第一主成分为因子。

如下图所示,DFM降维与主成分分析降维总体趋势基本一致,但DFM具有稍好的趋势平滑效果。

然而,这种平滑效果来自于DFM模型中的因子具有自回归平滑特性,并且主成分分析建模过程中没有平滑。用MA2平滑主成分分析第一主成分,发现离散傅立叶变换的平滑优势基本消失。

如果构建指标的需求是部分量化的,我们不推荐DFM模型。

为了实现其动态特性,离散傅立叶变换大大增加了参数估计。在我们的离散傅立叶变换模型中(8个宏观变量、因子和误差为2阶自相关),有34个参数需要估计,比主成分分析的参数要大得多。

由于我国宏观数据普遍存在时间较短,这导致前向滚动计算和评估前后的参数鲁棒性较差,甚至由于矩阵对秩的不满,有些节点甚至无法计算因子值。

此外,DFM模型带来的平滑含义对数据的结尾影响很小,甚至有过度平滑的风险。

因此,为了更好地测试所构建指标的预测能力,我们在构建以下相关指标时,直接使用主成分分析模型进行降维。如果不进行重新测试,可以使用更长时间的样本来执行DFM降维,以表征指数趋势。

目前,许多海外指数信息提供商和大型投资机构对宏观指数的编制进行了更深入的探索。然而,国内市场对宏观信息的处理和索引应用仍然处于较低水平。

我们整理总结了国内市场发展的一些宏观指标。

我们发现目前为国内市场开发的宏观指数系列主要分为两类:1)繁荣指数系列:主要构建中国经济的一致性指数、领先指数和预警指数;2)货币金融状况指数系列(Monetary and Financial Conditions Index Series):基于一些信贷数据和金融市场变量的国内实体流动性综合指数。

其中,表4是部分为国内市场构建的财务状况指数。大多数构建思路遵循古德哈特(GoodHart)和霍夫曼(Hofman)的方法,综合考虑股票市场、债券市场、汇率条件和房地产市场的综合表现,综合财务状况指数(FCI)。

由于古德哈特(GoodHart)和霍夫曼(Hofman)(2001,2002)最初设定的目标是为央行提供更好的中间目标,因此基于通胀目标的风险值脉冲响应通常用于在早期阶段确定每个组件的权重。随着摩根士丹利资本国际(MSCI)和美林证券(Merrill Lynch)等市场组织对该指数的进一步应用,权重确定方法逐渐转向降维方法,如离散傅立叶变换(DFM)和主成分分析(PCA)。

国内景气指数编制中最权威的指标包括经合组织、世界大企业联合会(TCB)和中国经济景气监测中心发布的一系列景气指数(其中,中国经济景气监测中心发布的指数目前已经停止变化)。

我们展示了三个系列中领先指标使用的数据组件。

总体而言,繁荣指数选择的指标范围广泛,涵盖制造业、房地产、金融市场数据等方面;然而,我国不同宏观层面之间的结构关系经常发生变化,因此这些指标的实际主导意义不强。

此外,宏观指标的主导意义一般不稳定(典型如M2和债券期限利差等)。),这也导致领先指标的实际领先效果较弱。

制造业和信贷金融是分析中国宏观经济的两个重要视角。本报告将分别围绕这两个方面构建宏观指标:1)天丰制造业活动指数(TFMAI):由于宏观指标之间的超前-滞后关系不稳定,绝对超前指数被放弃。然而,来自不同方面的宏观数据往往相互偏离。因此,我们选择对宏观最敏感的制造业作为指标构建目标。我们发现围绕制造业的相关原始数据保持着很高的趋势相关性。2)天丰实体经济货币状况指数(TFEMCI):过去货币状况指数的构建方法和指标选择不够本土化。我们试图改善和提供更符合当地宏观特征的货币状况指数。

3.1 .天丰制造活动指数(TFMAI)主要围绕制造活动分为三类:1)制造繁荣调查(Manufacturing Production Survey):为了通过采购经理的期望来反映制造状况,我们选择了中国两个最权威的繁荣指数:中国PMI和财新PMI;2)制造业市场反馈:选择生产者价格指数(PPI)、发电量和铁路货运量,其中生产者价格指数(PPI)代表工业产品价格与制造业密切相关,发电量和铁路货运量也是柯强指数的关键组成部分,能够深刻反映工业的繁荣水平。3)进出口环境:制造业产业链复杂,往往与贸易密切相关,各国产业繁荣相对同步。我们选择了进口额、工业企业出口交货值和ISM制造协会采购经理人指数。

建立索引的具体步骤如下:1 .美国制造业协会的采购经理人指数、财新采购经理人指数和采购经理人指数已经是季度环比数据。我们将不再处理它们;2.由于数据的可用性,从2010年1月开始,过去7年的非季节性指数以滚动方式进行季节性调整,标准化数据与季节性调整数据相结合,以每月滚动方式对标准化数据进行主成分分析分解。

3.将分解后的第一主成分除以所有指数负荷之和,再乘以100,以100为初始值进一步标准化。

4.根据每月滚动计算的终值和倒数第二值之间的差值,逐步累加,分别计算TFMAI的环对环显著性值、环对环值和扩散指数;根据每月滚动计算的终值与去年同期值之间的差异,逐步累加得到TFMAI的同比显著性值。

由于主成分分析分解对参数不太敏感,滚动解的结果相对稳定,不需要连续修正历史数据,从而避免了定量反测量中的“未来信息”问题。

下图显示了我们在滚动基础上计算的环比较值。我们发现,环比值可以清晰地描述国内制造业的动态变化。

例如,10年9月之后的经济反弹(对应于8月份的数据),12年第四季度之后的经济复苏,以及第一次货币短缺之后短暂的经济春天(从13年的6月份到13年的9月份),都在环比意义上的数据中得到了清晰的显示。

如果我们只关心趋势变化,我们可以忽略每个时期的变化程度,描绘链上扩散指数。

同比显著值可以清晰地代表经济周期的变化过程,甚至可以清晰地描绘出12年、4个季度和13年来首次资金短缺后的复苏。

从大周期的角度来看,该指数完美地描绘了11至16年初的经济衰退、16至17年的经济复苏以及18年后半期的制造业衰退。

最后给出了滚动主成分分析计算中各宏变量的因子负荷比,表明因子负荷的变化总体上保持稳定,比离散傅立叶变换模型的参数具有更强的鲁棒性。

3.2 .实体经济货币状况指数构建金融是现代经济的润滑剂。与其他视角相比,从金融状况的角度进行宏观观察具有较强的独立性。此外,市场普遍认识到中国的宏观周期是由政策周期-金融周期-经济周期驱动的,因此构建实体经济货币状况指数就显得更加重要。

本文试图改进市场财务状况指数的编制。改进主要体现在两个方面:1 .宏观变量的优化选择:古德哈特(GoodHart)和霍夫曼(Hofman)认为,货币政策的传导机制主要包括信贷渠道、利差传导、股票市场传导、房地产传导、汇率市场传导等。

但实际上,国内股票市场的传导途径不清晰,融入股票市场的指标反而会干扰货币条件的信号;而信贷、利差、房地产和汇率均是国内货币政策的重要传导路径。然而,事实上,国内股市的传导路径并不明确,纳入股市的指标会干扰货币状况的信号。信贷、利差、房地产和汇率都是国内货币政策的重要传导路径。

在选择汇率指数时,由于各种原因,人民币/美元可能无法反映实际汇率压力,因此我们选择美元指数作为替代。在房地产指数中,我们选择了能够更好地反映市场综合状况的全国住房景气指数。在利差指数中,我们选择1年期国债的收益率,而不是非市场银行的基准利率。对于信贷渠道,社会融资被选为代理变量。

2.调整数据预处理过程:国家住房指数将不被处理。由于不规则因素太多,一般的季节性调整仍然难以从社会金融数据中去除噪声。平滑MA12后,我们可以发现其同比序列,在一定程度上反映了社会金融趋势。

其他代理变量都是高频金融市场变量,我们寻求它们的月平均值来降低频率。

值得注意的是,我们为一年期国债的收益率设定了12个周期的滞后期,这是我们指数编制中的一个重大调整。

主要逻辑在于:信贷融资指数通常与利率指数相反。如果同阶处理经常有冗余信息,利率的因子负荷是不稳定的,甚至与逻辑不一致。事实上,国内利率对金融状况的传导有明显的时滞。在《资产轮换策略研究(二)》中,我们在构建货币因素时也提到了一点:为大类资产构建“货币+信用”轮盘;根据债券市场“一年牛市,一年持平,一年震荡”的经验法则,它被向后推,时滞约为12个月(我们也遍历这个参数,对最终的指数生成几乎没有影响)。

构建索引的具体步骤如下:1 .从2010年1月31日开始,对选取的四个指标收集过去7年的数据,按照上述处理方法进行预处理,并进行数值标准化。

2.滚动主成分分析分解,提取第一主成分,将因子除以所有指标负荷之和,再乘以100,以100为初始值进一步标准化。

3.根据每月滚动计算的最终值和倒数第二个值之间的差值,通过逐步累积来计算TFEMCI值。

同样,主成分分析滚动解的结果相对稳定,不需要连续修正历史数据,也避免了定量反测量中的“未来信息”问题。

我们构建的全要素市场指数(TFEMCI)能够清晰反映中国金融周期环境的变化:该指数描绘了2012年下半年至2013年7月的金融扩张周期,这源于当时美元疲软的环境以及影子银行在宽松的国内金融监管下的发展壮大。金融周期在2013年7月后立即收缩,原因是年中资金短缺。2015年年中,金融周期开始反弹,原因是利率水平长期持续走低,国内房地产市场明显复苏,社会金融逐步稳定。

此外,我们将构建的货币状况指数TFEMI与制造业活动指数TFMAI进行了比较,发现在趋势拐点,货币状况似乎领先于制造业活动指数,这符合我们对国内宏观的一贯理解,即金融周期驱动经济周期。

此外,本文还将货币和金融状况指数TFEMCI与市场上第一个可用的金融和货币状况指数进行了比较。

总的来说,我们构建的TFEMCI指数具有以下优点:1 .从构建模式的角度来看,我们生成的指标具有明显更好的平滑度和更高的信噪比,并且每个分量的权重是动态生成的,没有回溯生成;2.我们构建的索引可能更符合逻辑。例如,在经历了13年的资金短缺后,TFEMCI立即产生下降趋势信号,而第一个金融指数仍在上升,这似乎违背了逻辑。3.总体而言,TFEMCI指数的趋势拐点似乎更为超前。

4建立指标预测能力测试通过滚动主成分分析法每月更新TFMAI和TFEMCI指标,数据不需要审核和修正,为定量复测提供了更方便的条件。

我们正试图研究该指数在资本市场中是否具有预测性。

具体测试的目标包括10y债券收益率、大宗商品和沪深300指数。

在具体计算中,我们首先考虑到数据的可用性,对TFMAI进行一阶滞后调整。

4 . 1 . 10年期政府债券指数收益率时间经验10年期国债收益率是利率趋势的最佳替代指标。本文分别检验了月环比、年环比和年环比对利率走势的预测能力。

具体策略构建如下:选择资产:10y国债收益率初始资金:100策略开始日期:2010年1月31日策略结束日期:2018年12月31日头寸调整周期:月末头寸调整规则:如果当前跟踪指数大于前期,则“买入”10y国债收益率,否则“卖出空”10y国债收益率。

(为了尽可能基于债券收益率模拟交易,假设10年期债券期限为7年,平均息票利率为3%),我们发现TFMAI环对环信号对债券市场月度趋势判断有非常显著的影响,收益率高达63.60%,许多空的净值几乎没有回撤。

作为对宏观波动最敏感的资产,10年期国债对全要素市场指数(TFMAI)信号具有显著的循环效应,从侧面反映出全要素市场指数真正抓住了宏观波动的核心。

同样,当我们对10y政府债券的多空时序应用TFMAI同比信号时,整体收益率为61.62%,效果仍然显著,整体收益率表现略逊于TFMAI环比信号,但仍有显著的轮换效应。

环比系列更能反映宏观波动,而同比系列更能反映制造业的趋势变化信息。我们发现这种趋势信息在债券市场也有显著的预测效果。

近年来,金融周期对债券市场的影响越来越大。

当我们将反映金融周期的全要素市场指数应用于10y国债的多空时机时,我们也具有显著的轮换效应,整体收益率达到60.78%。

综上所述,本文构建的宏观指数信息在10y国债月度多空时序中具有显著的轮换能力。10y国债一直是宏观风向标,从侧面反映出我们构建的宏观指数确实具有很强的宏观内涵。

我们试图将这三个信号叠加起来,对10y国债的收益率进行月度倍数空计时。战略效果更加稳定,产量性能进一步提高。

4.2 .商品的时序演示:我们将继续在大宗市场测试全要素市场指数(TFMAI ring)比较、全要素市场指数(TFMAI)同比意义值和全要素市场指数(TFEMCI index)的趋势判断能力。

资产选择:华南工业产品指数(NH0200)。NHF)初始资金:100策略开始日期:2010年1月31日策略结束日期:2018年12月31日调整期:月末调整规则:如果当前跟踪指数大于前期,整个仓库将购买华南工业品指数;否则,整个仓库将出售空华南工业产品指数(NH0200)。NHF)。

我们发现,TFMAI环对环信号在大宗市场月度趋势判断中有显著的预测效果,胜率为55%,夏普为0.88,multi 空的净值有一定的回落但可以接受。

大宗交易也是一项宏观敏感资产,基于TFMAI的时间效应也很重要。

TFECI信号在大宗市场月度趋势判断中同样有效(尽管TFECI指数与上年同期的数据相同,但TFECI更为先进)。multi 空的净值有一定的退出,整体战略效应略低于TFMAI的时机效应。

综上所述,我们认为通过全月交易指数(TFMAI ring factor)对商品月度趋势的判断是稳定的,我们建议投资者可以将月度全月交易指数(TFMAI ring factor)纳入商品计时系统。

4.3 .沪深300指数的时序实证:最后,我们试图比较全要素市场指数(TFMAI)与上月、全要素市场指数(TFMAI)的同比意义值以及全要素市场指数(TFEMCI)在股票市场的趋势判断能力。

资产选择:沪深300指数(000300)。SH)初始资金:100策略开始日期:2010年1月31日策略结束日期:2018年12月31日股票转让期:月度股票转让规则:如果当前跟踪指数大于前期,整只股票将买入沪深300指数;否则,整只股票将卖出空沪深300指数(000300)。SH)。

可以看出,2010年至2014年年中,TFMAI环指数具有良好的时序效应,几乎没有回撤。2014年8月至2016年11月,我们发现基于TFMAI环指数的时序已经被撤销,2017年后,TFMAI环指数的时序效应再次显著。

事实上,这种现象更符合逻辑:在14年牛市之前,宏观对股市的影响更为直接和显著;然而,在14-16年间,当资金枯竭时,宏观市场和股票市场之间出现了偏差。经过17年的滞后,股市已经回到宏观周期的主导地位。

同样,沪深300指数的时间效应在不同时期也有很大差异。2010年至2014年7月,多空净利润较弱,但没有明显回落。在14年的牛市中,多空的净值出现了大幅下跌。滞后16年,代表金融周期的全要素市场指数对沪深300有显著的时间效应。

事实上,股票市场近年来特别关注信贷融资数据,所以近年来TFEMCI指数具有良好的时序效应。

我们认为,当流动性驱动市场时,当股票做出多重空选择时,简单的宏观指数很难表现良好。

本文试图综合现有指标:我们在《资产轮换策略研究(二)》报告中构建了一个货币因子:为大类资产构建一个“货币+信用”轮盘赌,我们再次将这个因子纳入沪深300的多重空时序检验。

这一因素确实具有很强的时间效应,收益率达到57.72%,但收益过度集中在2014年10月至2015年10月的单边牛市/熊市。

TFMAI月环比意义指数、TFEMCI指数和货币因子分别代表基于宏观波动、金融周期和流动性的时序逻辑。这三种逻辑曾经在a股市场趋势判断中占据主流地位,并且持续时间很长。

我们试图根据三个时序指标的历史性能来判断当前的主导逻辑。具体策略如下:选择资产:沪深300指数(000300)。SH)初始资金:100策略开始日期:2010年1月31日策略结束日期:2018年12月31日策略转移周期:月度月末转移规则:分别为TFMAI序列意义指数、TFEMCI指数和货币因素历史三阶段收益表现。选择下一阶段沪深300超过空交易的最高时间指标;如果有多组指标具有相同的历史表现,则同等权重将汇总这些指标在下一时期的时间方向,并进行沪深300多空交易。

通过以上方案综合的时间因素,战略收益的绩效得到了很大提高,时间收益率达到60.20%,年收益达到14.03%,夏普达到1.15。

投资者可以适当考虑将综合指数纳入股票市场的月度时间指标体系。

4.4参数敏感性分析本文包含的参数主要体现在三个方面:1)主成分分析分解指标构建中使用的历史回溯周期:7年;2)在构建TFMAI指数时选择了8个变量,变量的选择可能会改变数据结果;3)构建了基于货币因子+TFMAI环比+Tfmi同比的沪深300 空以上策略,并使用了历史回溯周期:3 .

在遍历了上述所有参数后,我们发现研究结论仍然是稳健的。

出于空间考虑,不再列出特定参数敏感性测试论文。如有必要,请联系天丰金工团队获取。

天丰金工专题报告表多因素选股系列报告“短周期视角下的指数提升策略”2019-02-11“2018-10-11”2018-08-03“2018-06-15”2018-04-10“2018-03-05”2018-02-05“2017-11-17”2017-17 19.5%下降集成电路权重在多因素选股中的应用:FOF系列报告2017-07-22下滑查看以前的链接:基金研究:中国目标日期基金设计策略2018-06-19,2018-03-22, 2017-09-18金融工程:FOF专题研究(四):京顺长城沪深300增强指数基金2017-08-07金融工作者程:FOF专题研究(三):华泰贝里量化的A偏混合基金2017-07-24“金融工程:FOF专题研究(二):国泰估值优势偏混合基金”2017-07-17“金融工程:FOF专题研究(一):银华中小选择性偏混合基金”2017 板块轮换策略2018-10-18“如何筛选具有强劲产业轮换能量的基金”2018-05-08“2018-04-19”2018-02-05事件驱动选股系列报告金融工程:2018-01-22“2017-12-12”2017-11-28“金融工程:特别报告——私募股权正股的投资机会”2017-07-11“金融工程” 2017-04-16《金融工程:专题报告——基于适应性突破反应的固定增持股票选择策略》2017-03-09《金融工程:专题报告——潜在的ST top》2017-03-06《金融工程:专题报告——固定增持节点收益率的全面分析》2017-03-06CTA系列报告下滑查看前几个链接《金融工程:未预料的宏观因素对商品期货价格的影响研究》2019-01-27《金融工程:股票选择研究》 2017-10-242017-09-04金融工程:专题报告-国债期货组合趋势策略:量化损失,方便增仓“2017-06-19”金融工程:专题报告-国债期货扩大价差交易“2017-05-25”金融工程:专题报告-策略趋势过滤“2017-03-22”金融工程:专题报告-日趋势策略初步探索“2017-03-10”金融工程:专题报告

发表评论

电子邮件地址不会被公开。 必填项已用*标注