信号来源与交易合约选择下的商品期货横截面策略改进

报告提要
主力合约是否为信号来源和交易的最佳选择
期货曲线中存在多个交易合约，我们普遍交易的是流动性最佳的主力合约。但国内大部分商品期货的主力合约为远月合约，其价格收敛特征可能并不明显，而大部分品种仅到期日意义上的近月合约流动性普遍较弱，价格可靠性不足。本文从流动性和价格敏感性出发重新梳理了各品种的“活跃近月合约”。

基差动量策略中的合约选择
我们在主力-次主力和活跃近月-次近月两种信号来源下计算基差动量因子（BM），并分别对比交易主力或活跃近月时的策略表现，结果发现：不同信号来源和交易合约策略在排序期大于100日后具有显著收益，且均对持仓期不敏感；当信号来源和交易合约均为近月时，策略表现最佳，100-240日排序期下，年化收益平均可达12%，夏普比率和Calmar比率达1.5左右。

引入现货价格的展期收益策略
综合考虑商品现货产销特征、交割品及可交割替代品要求、期现货收敛价格以及价格可得性等因素后，定义现货-期货主力展期收益因子（SFRR），并与传统展期收益因子作对比，发现：交易活跃近月的策略在大部分参数组下均优于交易主力；不同信号来源下交易活跃近月的策略表现差异不大，但分年度来看， Spot-Future信号下交易活跃近月策略近几年相对优势明显。

BM-SFRR二因子策略
我们在信号叠加法下对基差动量因子和展期收益因子构建BM-SFRR二因子策略。40个参数组下二因子策略平均年化收益13.6%，夏普比率2.27，Calmar比率高达2.33，收益可观且表现十分稳健，参数敏感性较低，路径依赖问题不大。

叠加库存因素的四因子策略
200个参数组下叠加库存二维增速的四因子策略收益稳健，参数敏感性弱，平均年化收益14.3%，夏普比率2.45，Calmar比率2.46。多参数配置下四因子策略整体收益和稳健性均优于二因子策略，年化收益14.7%，夏普比率高达2.49，Calmar比率高达2.63。收益主要来源于黑色系、农产品和化工品。

目录

1
研究背景

在前期系列报告中，我们从横截面维度构建了多个单因子策略和多因子组合策略。但去年三季度以展期收益为代表的许多因子的失效，导致低频CTA策略出现了大幅回撤。这在一定程度上与因子构建、信号来源以及交易合约的同质化有关。因此，本文希望通过这几个维度的思考来试图改进我们现有的横截面策略。

因子构建方面，各大商品基本面情况差异大，如农产品特有的季节效应、黑色系产业链内部的高相关性、有色金属和贵金属的国际化属性等，导致横截面维度可以挖掘的共性有限。

信号来源方面，商品基本面信息渠道众多，质量良莠不齐，许多数据依赖调研，获取不易。因此我们往往偏好使用公开程度更高的期货本身的量价数据。出于流动性考虑，我们习惯从主力合约提取信息，或近月价格代替现货价格来计算展期收益。信息来源的同质化可能导致信号的同质化，容量的限制将使我们面临更高的冲击成本。

交易合约上，国外市场一般选择交易最活跃的近月合约，即我们所谓的“主力合约”，由于到期日最近其价格也最敏感。而对于国内大部分商品而言，普遍被交易的最活跃的主力合约一般为远月合约，我们在选择流动性的时候可能一定程度上放弃了价格敏感性。那么是否存在流动性和敏感性兼备的选择呢？

针对以上分析，本文试图结合商品现货特征，使用整个期货曲线，来尝试挖掘除主力合约外有价值的信息，构建或完善与期限结构相关的基差动量因子和展期收益因子，并对比不同信号来源和交易合约下单因子及多因子横截面策略的表现。

2
不同到期日合约的活跃性分析
在挖掘除主力外其余合约的信息前，我们首先需要判断这些合约是否具有流动性，以保证其信息具有可靠性且合约在实际操作中具有可交易性。因此，我们对每个品种2010年以后的不同到期月份合约的持仓成交情况进行了统计分析。

从每个品种的合约随到期日临近的平均持仓成交变化中可以发现，部分品种仅主力合约具有较好的流动性。以豆一期货（A）为例，1、5、9月份合约在到期前200至30天的持仓和成交量基本都在5万手以上，而3、7、11月份合约的持仓和成交量大多不足500手，交易极不活跃将导致其价格可靠性降低，且可能无法成交和换手，或产生较高的冲击成本。因此这些合约不适合作为信息来源或交易对象。

但也有部分品种除主力合约外，非主力合约依然具有较好的流动性。以苹果期货（AP）为例，除1、5、10月主力合约外，3、7、11、12月合约在到期前150-30日左右的持仓量也在万手左右，其中7月合约的成交量达到万手，在到期前两个月左右甚至大于20万手，交易十分活跃。因此，对于苹果期货而言，每份合约在交易活跃的时段可能均存在有价值的信息且可作为交易对象。

从以上统计分析我们发现，不同品种的流动性合约存在差异，无法笼统地定义哪些可作为信息来源和交易对象，但可以确定的是除主力外还存在着可利用的信息与可交易的合约。下面我们以基差动量因子和展期收益因子为例，探究不同信息来源和交易合约下策略的表现。

3
基差动量策略中的合约选择
基差动量是从期限结构衍生出来的一种特征，它衡量的是近月和远月期货合约之间的动量差，通过数学推导可以分解为期货曲线平均曲率和斜率的变化（Boons and Prado，2019）。基差动量可以理解为期限结构的动量，即曲率、斜率变化的趋势，它对于近月合约具有正向预测作用。在横截面上，若观察期内某一品种近月合约相比于远月具有更高的动量，即基差动量越高，则预测未来一段时间该品种近月合约的收益越高。

3.1 基差动量因子
我们在Boons 和 Prado（2019）的基础上构建基差动量因子：

Boons 和 Prado利用CRB商品期货数据实证研究发现，基差动量因子比传统的基差、动量等因子具有更强的收益预测能力，尤其是对近月合约的预测，其中一个重要原因是近月合约的价格敏感程度更高。但考虑到国内大部分品种仅到期日意义上的近月合约流动性普遍较弱，价格可靠性不足，有必要结合流动性要求来重新定义“活跃近月合约”。

3.2 自定义“活跃近月合约”
我们在前期系列报告中自定义了主力合约为连续三日成交持仓量最大，且不回切。下面我们出于流动性和到期日的考虑，定义“活跃近月合约”为日成交额大于2000万元到期日最早的合约，切换规则为：日成交金额连续三日低于2000万或到期期限不足30日。

与主力合约定义一致，本文定义的活跃近月合约只向前延展，不往回切换。下表对比了每个样本品种时间序列上的活跃近月合约与主力合约，从结果来看，两者一致比例较高的一般是活跃程度较低的，如棉纱、锰硅、锡等，或持仓成交十分集中的，如聚丙烯、焦煤、焦炭等。

接下来，我们可以将定义的主力合约和活跃近月合约作为信息来源和交易对象，对比不同合约下横截面基差动量策略的表现。

3.3 基于不同信号合约的基差动量因子表现
基差动量横截面策略参数及具体构建如下：

回测区间为2010年1月4日-2020年3月9日；
调仓日计算过去R日每个样本品种近月合约和远月合约的动量差，即基差动量，并进行从高到低排序，做多基差动量最高的前20%品种，做空基差动量最低的20%品种；
开盘调仓，各品种等权配置，持有H个交易日，每次调仓进行组合各品种的权重再分配，假设操作不带杠杆，且不考虑现金部分收益；
手续费单边万分之三。

下面我们测试主力合约为交易合约时，利用主力-次主力（Main-secondMain）和活跃近月-次近月（Near-secondNear）分别作为信号合约计算的基差动量因子表现。具体地，Main-secondMain基差动量表示过去R日主力的累计动量与次主力累计动量之差，Near-secondNear基差动量表示过去R日近月合约的累计动量与次近月累计动量之差。排序后，对各品种主力合约定义多空信号，持仓H日。我们在排序期R为20-260日、持仓期H为5、10、20日下对策略进行回测。

从不同信号合约下策略的表现来看：1. 大部分参数组下，活跃近月-次近月作为信号来源的基差动量因子表现更佳；2. 两种信号来源策略在排序期大于100日后具有显著收益，且均对持仓期相对不敏感。

3.4 基于不同交易合约的基差动量因子表现
下面我们测试Main-secondMain基差动量和Near-secondNear基差动量在不同交易合约下的表现。从交易合约为主力和近月下策略的表现来看：

从年化收益、夏普比率和Calmar比率来看，交易近月合约的基差动量策略在大部分参数组下具有更好的表现；
无论是交易主力还是近月，Near-secondNear基差动量因子均表现更佳，尤其是在交易近月合约时，在排序期为100-240日时，年化收益平均可达12%，夏普比率和Calmar比率达1.5左右；
不同信号来源和交易合约策略在排序期大于100日后具有显著收益，且均对持仓期相对不敏感。

4
引入现货价格的展期收益策略
我们在系列报告八中构建了基于近月-远月主力和主力-次主力的展期收益策略，对比发现，近月-远月主力信号下的展期收益策略在收益和稳健性维度均更胜一筹。展期收益因子本质上刻画的是期现货升贴水幅度，当前期货价格贴水幅度越大的品种，在未来一段时间价格上升的概率越高，收益来源主要是期现收敛的幅度，一般出于流动性考虑我们习惯交易主力合约，但我们发现大部分合约在到期日较远时期现收敛特征可能并不明显，那么从价格敏感性来看，具有流动性的近月合约可能是更好的交易对象。

此外，在信号来源上，考虑到价格获取难易程度，我们一般用近月代替现货价格计算展期收益因子，那么如果能及时获取到相对准确的实际现货价格，以此计算的展期收益因子是否更具投资价值呢？

下面我们首先对各商品现货价格进行梳理，计算基于现货价格的展期收益因子，并对比不同交易合约下因子的表现。

4.1 Spot-Future展期收益因子
我们综合考虑了商品现货产销特征、交割品及可交割替代品要求、期现货收敛价格以及价格可得性等因素，对商品现货价格进行梳理并确定了39个样本品种。其中苹果（AP）、豆二（B）、燃料油（FU）和油菜籽（RS）四个品种尚未找到合适的现货价格指标，因此将从43个样本中进行剔除。结合部分品种的交割要求和现货价格代表性，我们对其原始现货指标进行了附加处理，如焦炭现货使用天津港准一级冶金焦价格减替代品升贴水40元，焦煤现货使用京唐港山西产主焦煤加替代品升贴水65元，铁矿石现货按分阶段增值税率和人民币汇率换算62%品位铁矿石进口价格等。为节省篇幅，具体现货价格代码不作详列。

借鉴前期展期收益因子的计算方法，我们定义现货-期货主力展期收益因子（Spot-Future Roll Return，简称SFRR）为

4.2 不同交易合约下SFRR策略表现
SFRR策略基于现货与期货主力合约计算的展期收益，在横截面上做多平均展期收益排序在前20%品种的主力合约，做空平均展期收益排序在后20%品种的主力合约。策略参数与操作规则如下：

参数定义：展期收益因子计算的平均窗口期（即排序期R）和调仓周期（即持仓期H）。
操作规则：按收盘价计算信号，次日开盘价调仓。各品种等权配置，每次调仓进行组合各品种的权重再分配。假设操作不带杠杆，且不考虑现金部分收益。
手续费：单边万分之三。

表8-表10展示了2010年1月4日-2020年3月9日20-260日排序期和5-20日持有期下交易主力合约或活跃近月合约时SFRR策略的表现。从结果来看：

交易主力的SFRR策略在40-100日排序期下表现相对较好，平均年化收益8.8%，夏普比率1.4，Calmar比率1.1；
大部分参数组下，交易活跃近月的SFRR策略收益更高且更稳健，对持有期和排序期参数敏感性相对较小，在140日以内排序期时，各持有期下平均年化收益达11%，夏普比率1.7，Calmar比率1.1。

4.3 不同信号来源下展期收益策略表现
下面我们进一步对比不同信息来源下展期收益策略的表现。表11-表13展示了现货-主力（Spot-Future）与近月-远月主力（Near-Future）信号下展期收益策略的表现。从结果来看：

两种信号下交易活跃近月的表现在大部分参数组下均优于交易主力；
不同信号来源下交易活跃近月的展期收益策略表现差异不大，排序期小于140日内，Spot-Future和Near-Future信号下策略平均年化收益分别为11%和11.6%，夏普比率为1.7和1.8，Calmar比率为1.4和1.1。大部分参数组下Near-Future信号策略收益相对较高，但Spot-Future信号策略回撤相对更低；
分年度来看，以80日排序期、20日持仓期为例，Spot-Future信号下交易活跃近月策略2015年以后的收益相对优势明显。

5
基差动量与展期收益策略对比
基差动量因子和展期收益因子都是对商品期限结构特征的刻画，但其本质上对期限结构的预测存在相反的逻辑。基差动量策略收益依赖于期限结构的趋势，而展期收益策略收益则取决于一定时间内期货向现货价格的收敛程度。理论上两者是相悖的，但实证结果显示两个策略均在多个参数组下有显著收益，且稳健性较强。我们从各策略所测试参数的有效范围分析发现，基差动量策略（BM）在排序期大于100日时，表现相对较强，而基于现货价格的展期收益策略（SFRR）最有效的排序期为20-100日，而两者在5-20日持仓期下表现均差异不大。一个可能的解释是，期限结构在不同周期下的变化趋势存在差异，可能表现为中短期趋势、中长期反转。若能将不同周期下的有效信息充分利用，可能构建出更优的组合策略。

基于此，我们首先分析两策略的相关性。以交易近月、5日持仓期为例，我们在100-240日排序期下测试了基于活跃近月-次近月的基差动量策略，在20-100日排序期下测试了SFRR策略，并计算两者在不同排序期下日收益率的相关性。从下表结果来看，40个参数组下两策略相关系数差异不大，分布在0.27-0.37，平均相关系数为0.34，相关性并不高。因此，可考虑构建组合策略。

6
多因子策略表现
6.1 BM-SFRR二因子策略
在本节中，我们将尝试对基差动量因子和展期收益因子构建二因子策略。系列报告十中我们对因子值叠加、因子排序叠加和信号叠加三种组合方式进行了对比，发现信号叠加法下策略夏普比率和Calmar相对最优，因此本文将以信号叠加法作为组合方式对多因子策略进行回测。

具体地，在信号叠加法下，每个调仓日计算所有样本品种Near-SecondNear基差动量BM和Spot-Future展期收益SFRR，对其进行从高到低排序，分别选出两个因子的多头和空头，对多头、空头和不操作品种分别赋予1、-1和0的信号，每个品种两个信号叠加后正负方向即为多空方向，信号绝对值即为信号强度，单品种信号强度的占比即为该品种的权重。

以交易近月为例，我们设基差动量因子排序期为100-240日，展期动量因子排序期为20-100日，在不同参数组下测试了BM-SFRR二因子策略表现。下表展示的是5日持仓期下的结果。40个参数组下二因子策略平均年化收益13.6%，夏普比率2.27，Calmar比率高达2.33，收益可观且表现十分稳健，参数敏感性较低。

同时，我们对10日、20日持仓期下策略表现均进行了对比，10日持仓期下40个参数组下二因子策略平均年化收益13.5%，夏普比率2.25，Calmar比率2.15，20日持仓期下40个参数组下二因子策略平均年化收益13.1%，夏普比率2.16，Calmar比率2.24，与单因子测试结果类似，三个持仓期下二因子策略表现差异不大，因此不做赘述。

在路径依赖方面，以5日持仓期为例，我们分析了5条路径下策略的表现。从图6和图7不同路径和SFRR策略排序期下策略平均年化收益和夏普比率结果来看，各路径下策略均表现优异，平均年化收益12.4%，夏普比率2.08，Calmar比率1.97。

6.2 纳入库存因素的多因子策略
在系列报告十中我们构建了库存-展期收益三因子策略，结合前文的回测结果，Near-SecondNear基差动量因子和Spot-Future展期收益因子均表现优异，且BM-SFRR二因子策略的收益更明显且稳健性强。因此，我们尝试将几类有效因子进一步组合，构建结合Near-SecondNear基差动量因子、Spot-Future展期收益因子和库存二维增速因子的四因子策略。关于库存二维增速的具体计算及操作的样本品种请参见系列报告十。

与6.1中BM-SFRR二因子策略构建思路一致，我们在每个调仓日计算所有样本品种Near-SecondNear基差动量BM、Spot-Future展期收益SFRR、库存同比增速和库存二阶增速，对其进行从高到低排序，分别选出四个因子的多头和空头，对多头、空头和不操作品种分别赋予1、-1和0的信号，每个品种信号叠加后的正负方向即为多空方向，信号绝对值即为信号强度，单品种信号强度的占比即为该品种的权重。考虑到库存数据的更新规律，我们在一周持仓期下对四因子策略进行回测。

同样以交易近月为例，我们在基差动量因子排序期为100-240日，展期动量因子排序期为20-100日，库存二阶增速环比天数为60-100日下测试四因子策略表现。从下表不同排序期组合下，60-100日库存二阶增速环比天数时策略的平均表现来看，200个参数组下四因子策略收益稳健，参数敏感性弱，平均年化收益14.3%，夏普比率2.45，Calmar比率高达2.46。

下面，在持仓期为一周时，对比BM-SFRR二因子策略与叠加库存二维增速的四因子策略在不同参数下的表现。图8和图9按SFRR因子排序期展示了不同BM因子排序期和库存二阶增速环比天数下多因子策略的平均表现。可以发现，多因子策略表现优异，相比而言四因子策略比二因子策略具有更高的收益和夏普比率，且在不同参数下的表现具有较高的一致性。其中，二因子策略平均年化收益12.4%，夏普比率2.05，Calmar比率1.9；四因子策略平均年化收益13.4%，夏普比率2.45，Calmar比率2.46。

6.3 多参数配置策略
为了避免参数敏感性，我们采用多参数综合的方式测试多因子策略表现。多参数配置法下，每个因子的最终取值为不同参数因子值的加总而非单一参数的因子值。

下面我们取基差动量因子排序期为140-220日，展期收益因子排序期为20-100日，库存二阶增速的环比天数为60-100日，在每个调仓日对每个因子同时计算5个参数下的因子值，针对多参数综合因子值构建BM-SFRR二因子策略和叠加库存的四因子策略。

回测结果显示，多参数配置下四因子策略整体收益和稳健性均优于二因子策略，年化收益14.7%，夏普比率高达2.5，Calmar比率高达2.6。分年度来看，除2012和今年，四因子策略均表现更佳。但二因子策略各年收益相对更均匀。

进一步地，我们按板块和品种统计了多因子策略收益来源，发现：1. 分板块来看，黑色系、农产品、化工品收益贡献最多，农产品的信号权重最高，黑色系单位信号收益最高；2. 分品种来看，橡胶、焦炭、棕榈油、棉花、铁矿石贡献的收益最多。

7
总结
本文结合商品现货特征，使用整个期货曲线的合约信息，定义了兼具流动性和价格敏感性的“活跃近月合约”，并以基差动量因子和展期收益因子为例，对比不同信号来源和交易合约下单因子及多因子横截面策略的表现。主要贡献有：

不同品种的流动性合约存在差异，无法笼统地定义哪些可作为信息来源和交易对象。国内大部分品种仅到期日意义上的近月合约流动性普遍较弱，价格可靠性不足，本文结合流动性要求重新梳理了各品种的“活跃近月合约”。
我们在主力-次主力和活跃近月-次近月两种信号来源下计算基差动量因子，并分别对比交易主力或活跃近月时的策略表现，结果发现：不同信号来源和交易合约策略在排序期大于100日后具有显著收益，且均对持仓期相对不敏感；当信号来源和交易合约均为近月时，策略表现最佳，在排序期为100-240日时，年化收益平均可达12%，夏普比率和Calmar比率达1.5左右。
综合考虑商品现货产销特征、交割品及可交割替代品要求、期现货收敛价格以及价格可得性等因素后，定义现货-期货主力展期收益因子（SFRR），并与传统展期收益因子作对比。回测发现：交易活跃近月的表现在大部分参数组下均优于交易主力；不同信号来源下交易活跃近月的展期收益策略表现差异不大，分年度来看，Spot-Future信号下交易活跃近月策略近年来收益相对优势明显。
在不同参数组下测试了BM-SFRR二因子策略表现。40个参数组下二因子策略平均年化收益13.6%，夏普比率2.27，Calmar比率高达2.33，收益可观且表现十分稳健，参数敏感性较低，路径依赖问题不大。
200个参数组下叠加库存二维增速的四因子策略收益稳健，参数敏感性弱，平均年化收益14.3%，夏普比率2.45，Calmar比率2.46。多参数配置下四因子策略整体收益和稳健性均优于二因子策略，年化收益14.7%，夏普比率高达2.5，Calmar比率高达2.6。收益主要来源于黑色系、农产品和化工品。

8
参考文献
Boons, M., & Prado, M. P. (2019). Basis-momentum. The Journal of Finance.

风险提示
模型基于历史数据，存在失效风险；市场环境突变

相关报告
《商品期货CTA专题报告（十）基本面逻辑下的商品期货因子改进与策略组合（横截面篇）2019-12-26》

《商品期货CTA专题报告（九）持仓龙虎榜蕴藏的投资机会 2019-08-22》
《商品期货CTA专题报告（八）基于期限结构稳定性判断的展期收益策略详解2019-05-17》《商品期货CTA专题报告（七）预期外宏观因子对商品期货价格的冲击影响研究2019-01-27》

《商品期货CTA专题报告（六）基本面分析框架下的黑色系商品库存预测2018-02-09》
《商品期货CTA专题报告（五）我国商品期货分类及异质性基本面分析概述2018-01-31》

天风金工专题报告一览

多因子选股系列报告
向下滑动查看往期链接↓
《市场微观结构探析系列之三：分时K线中的alpha》2020-02-25
《基于基因表达式规划的价量因子挖掘》2020-02-20
《基于投资者偏好的沪深300增强组合》2019-12-06
《市场微观结构探析系列之二：订单簿上的alpha》2019-09-05
《机构业绩增强2.0》2019-07-04
《和时间赛跑——利用实时财务信息增强组合收益》2019-05-24
《A股公司治理类因子解析》2019-03-27
《利用交易型alpha捕获低频模型短期收益》2019-03-18
《短周期视角下的指数增强策略》2019-02-11
《股息率因子全解析》2018-12-7
《行业景气度量化前瞻系列之三：乘用车篇》 2018-11-09《基于机构风格追随的业绩增强策略》2018-10-11《基于预期业绩季度化分解的超预期30组合》2018-09-07《基本面视角下的食品饮料行业选股研究》2018-08-03《行业景气度量化前瞻系列之二：家电篇》2018-07-24《基本面量化视角下的医药行业选股研究》2018-06-15《金融工程：一类强有效的一致预期衍生指标》2018-04-10《多因子模型的业绩归因评价体系》2018-04-10《风险预算与组合优化》2018-03-05《哪些行业应该单独选股？》2018-02-05《协方差矩阵的估计和评价方法》2017-11-17《因子正交全攻略——理论、框架与实践》2017-10-30《基于动态风险控制的组合优化模型》2017-09-21《金融工程：基于半衰主成分风险平价模型的全球资产配置策略研究》 2017-09-18《剩余价值模型下的估值因子在A股中的实证》 2017-09-08《MHKQ因子择时模型在A股中的应用》 2017-8-15《专题报告二十三-自适应收益预测模型下的组合优化策略》 2017-08-24《专题报告二十一-买卖压力失衡——利用高频数据拓展盘口数据》 2017-08-01《专题报告十九-半衰IC加权在多因子选股中的应用》 2017-07-22

FOF系列报告
向下滑动查看往期链接↓
《FOF组合的收益模型：长周期因子的构建与应用》2019-09-12

《创新基金研究系列之二：海外养老目标产品手册》2019-01-15
《基金最新监测仓位创近两年新低!》2019-1-7
《基金研究：中国式目标日期基金设计攻略》2018-06-19

《基金研究：海外创新基金研究系列之综述：美国基金市场图鉴》2018-04-27
《基金研究：债券基金评价如何“本土化”？》2018-03-22
《金融工程：基于风格因子视角的FOF投资策略研究》 2017-09-18《金融工程：FOF专题研究（四）：景顺长城沪深300增强指数型基金》 2017-08-07
《金融工程：FOF 专题研究（三）：华泰柏瑞量化A偏股混合型基金》 2017-07-24《金融工程：FOF专题研究（二）：国泰估值优势偏股混合型基金》 2017-07-17
《金融工程：FOF专题研究（一）：银华中小盘精选偏股混合型基金》 2017-07-06
资产配置系列报告

向下滑动查看往期链接↓
《CTA思维下的资产配置方法》2019-12-03
《黄金如何择时？》2019-08-01
《“货币+信用”体系下大类资产的择时优化与动态配置》2018-11-22
《如何抑制宏观信息“过拟合”？——宏观数据的去噪、降维及应用》2019-03-11
《资产轮动策略研究（二）：构建大类资产的“货币+信用”轮盘》2018-08-30

《资产轮动策略研究（一）：不一样的宏观动量视角》2018-06-05
《金融工程：基于风格因子溢价的资产配置视角》2017-12-5
《金融工程：引入衰减加权和趋势跟踪的主成分风险平价模型研究》2017-11-17

风格与行业轮动系列报告

向下滑动查看往期链接↓
《结合行业轮动的指数增强策略》2019-12-19
《现金流、折现率、集中度三维度因子择时体系》2019-8-15
《使用ETF构建板块轮动策略的初步探索》2019-8-8
《天风金工行业轮动系列报告之三——板块重构下的行业分层轮动》2019-4-26
《天风金工行业轮动系列报告之二——行业分层轮动模型》2018-12-27
《基于现金流与折现率的板块轮动策略》2018-10-18《现金流与折现率视角下的风格溢价轮动模型》2018-07-02《如何筛选行业轮动能力强的基金》2018-05-08《风格轮动之资金流向与流动强度》2018-04-19
《天风金工风格轮动策略之一——风格的重新定义》2018-02-05

事件驱动选股系列报告
向下滑动查看往期链接↓
《金融工程：季节性盈利异象带来的意外收益》 2018-01-22
《金融工程：对比效应对超预期事件的增强策略》2017-12-12
《金融工程：胜率超40%的重组预测模型》2017-11-28
《金融工程：专题报告-私募EB正股的投资机会》 2017-07-11
《金融工程：专题报告-戴维斯双击》 2017-06-12
《金融工程：专题报告-反转现象的选择性交易策略》 2017-06-01《金融工程：专题报告-基于高管增持事件的投资策略》 2017-05-14

《金融工程：专题报告-2017年6月沪深重点指数样本股调整预测》 2017-05-06
《金融工程：专题报告-预知业绩能有多少超额收益？》 2017-04-16《金融工程：专题报告-基于自适应破发回复的定增选股策略》 2017-03-09
《金融工程：专题报告-潜伏ST摘帽》 2017-03-06
《金融工程：专题报告-定增节点收益全解析》 2017-03-06

CTA系列报告
向下滑动查看往期链接↓
《基本面逻辑下的商品期货因子改进与策略组合》2019-12-26《商品期货持仓龙虎榜中蕴藏的投资机会》2019-08-22《基于期限结构稳定性判断的展期收益策略详解》2019-05-17《预期外宏观因子对商品期货价格的冲击影响研究》2019-01-27《金融工程：行业景气度量化前瞻系列之一：从消费行业开始（上）》2018-05-12《金融工程：基本面分析框架下的黑色系商品库存预测》2018-02-09《金融工程：我国商品期货分类及异质性基本面分析概述》 2018-1-31《金融工程：信用利差的选择性对冲—国债期货套保实证》2017-10-24《金融工程：国债期货套期保值实证》 2017-09-04《金融工程：专题报告-国债期货组合趋势策略：以损定量,顺势加仓》 2017-06-19《金融工程：专题报告-国债期货展期价差交易》 2017-05-25《金融工程：专题报告-策略的趋势过滤》 2017-03-22《金融工程：专题报告-日间趋势策略初探》 2017-03-10《金融工程：专题报告-量化CTA策略概述》 2017-02-14

其他
向下滑动查看往期链接↓
《金融工程：基于时变相关系数的动态对冲策略——动态对冲表现跟踪》2017-10-27
《金融工程：中期策略会纪要1：天风金工“四位一体”仓位管理体系》2017-06-27

关注我们

风险提示：1. 模型基于历史数据，存在失效风险；2. 市场环境突变。
注：文中报告节选自天风证券研究所已公开发布研究报告，具体报告内容及相关风险提示等详见完整版报告。
证券研究报告
《天风证券-金工专题报告-商品期货CTA专题报告（十一）：信息来源与交易合约选择下的横截面策略改进》
对外发布时间
2020年3月26日
报告发布机构
天风证券股份有限公司
（已获中国证监会许可的证券投资咨询业务资格）
本报告分析师
吴先兴 SAC 执业证书编号：S1110516120001