>> 國泰君安期貨-國債期貨日頻量化策略-260518
| 上傳日期： |
2026/5/19 |
大?。?/td>
| 1263KB |
| 格式： |
pdf 共18頁 |
來源： |
國泰君安期貨 |
| 評級： |
-- |
作者： |
李浩 |
| 下載權(quán)限： |
無限制-登錄即可下載 |
|
|
報告導讀：
本文構(gòu)建了一套覆蓋525個Alpha因子的國債期貨多因子策略體系。因子庫的因子共9大類別，涵蓋量價、利率、宏觀、跨合約價差、久期、權(quán)益聯(lián)動、機構(gòu)行為、席位，以及機器挖掘因子。其中，機器挖掘因子是通過GA遺傳算法、機器學習、表示學習、滾動主成分分析等方法得到非線性因子，共同構(gòu)成挖掘因子池。通過嚴格的IC篩選、夏普-Calmar加權(quán)、波動率縮放及組合止損機制，最終構(gòu)建出四個國債期貨合約(T/TF/TS/TL)的投資組合。
核心結(jié)論：
(1)多合約等權(quán)組合(目標波動率10%)全區(qū)間夏普比率3.457，最大回撤僅-1.81%，Calmar比率6.96，樣本外夏普3.349，樣本外回撤-0.94%，顯著優(yōu)于任何單合約策略，樣本內(nèi)外業(yè)績一致性較強。
(2)單合約最優(yōu)策略夏普介于1.688~2.812之間，通過多合約組合有效分散了利率曲線風險
(3)機器挖掘因子在篩選因子中占比約30%，顯著提升了策略的信息含量
研究框架要點：
(1)GA遺傳算法、機器學習、表示學習、滾動主成分分析等方法挖掘因子，共同構(gòu)成挖掘因子池。通過SimpleGAFactorMiner(簡化遺傳算法)、GAFactorMiner(DEAP遺傳編程)、SupervisedFactorMiner(LightGBM /RandomForest/GradientBoosting監(jiān)督學習)、RepresentationFactorMiner(PCA/RollingPCA表示學習)四類引擎，從原始因子中自動挖掘非線性組合因子，與人工設(shè)計的499個傳統(tǒng)因子共同構(gòu)成525個Alpha因子池。
(2)嚴格樣本內(nèi)外劃分(2024-12-31為界)。樣本內(nèi)區(qū)間(2020-01-01 ~ 2024-12-31)用于因子挖掘、參數(shù)優(yōu)化及組合構(gòu)建；樣本外區(qū)間(2025-01-01 ~ 2026-04-30)用于獨立驗證策略泛化能力。所有因子權(quán)重、組合參數(shù)均在樣本內(nèi)確定，樣本外期間不做任何參數(shù)調(diào)整。
(3)精確回測引擎(t日收盤信號→ t+1日開盤執(zhí)行，無前視偏差)?；販y嚴格遵循滯后執(zhí)行原則：t時刻bar收盤后產(chǎn)生信號，t+1時刻bar開盤時執(zhí)行，考慮滑點，收益從t+1開始計算。
(4)多種組合加權(quán)方法。單因子層面支持夏普加權(quán)、夏普-Calmar加權(quán)、等權(quán)組合；多合約組合層面支持等權(quán)、夏普加權(quán)、風險平價、回撤倒數(shù)四種合約間權(quán)重分配方法。
(5)波動率縮放+ NAV迭代止損。根據(jù)20日滾動波動率動態(tài)調(diào)整倉位，使組合實際波動率趨近目標值；針對特定合約引入NAV迭代止損機制，當凈值回撤超閾值時按衰減系數(shù)逐步降低倉位。
(6)多合約組合(等權(quán)配置，目標夏普>3.0，回撤<-2%)。將T/TF/TS/TL四個單合約策略按等權(quán)方式組合(各25%資金)，目標波動率10%，全區(qū)間夏普3.457，最大回撤僅-1.81%，樣本外夏普3.349。
|
|
