通过经济数据预期差进行国债期货交易——研报复现

摘要：

我们在复现的过程采用的数据和中金的会有差异，所以在结果变现上会有一些区别，但是总体上和中金研报的分析结果一致。原研报采用了包括银行、统计局、海关数据一共十项数据，我们在做数据收集的时候只得到了5项完整的宏观数据(M2同比，CPI 同比、PPI 同比、社会零售品消费总额同比、固定资产投资累计同比)，其他数据我们无法获取到精确到分钟的公布时间，所以暂时没有复现。在回测时间上，我们增加2022/04以来最新的回测结果。
一、数据准备

数据样本层面，我们选取 2016 年 1 月至 2022 年 1 月的经济数据预期差和 10 年国债期货价格变化。其中市场经济数据预期采用的是wind统计的市场一致预测值。在我们考察的经济指标中，社融的一致预测值披露是自2016年1月开始，所以统一以2016年为数据的起始时间。
针对宏观数据的每次公布，可以构建一个样本数据集，记为（经济数据，公布时间点，经济预期差，国债期货价格变动_分析,国债期货实操涨跌幅）。构建样本数据集的具体过程如下：

预期差：

经济数据预期差采用的是公布后的实际经济数据减去市场预期值。

国债期货价格变动_分析：

国债期货价格变动基于 10 年期国债期货活跃合约（T 合约），用以分析经济数据预期差与国债期货价格在公布前后变动之间的相关性，即国债期货价格变动_分析，简称 T_chg_train。

数据在收盘后公布（T日收盘）：

T_chg_train = (T+1日的收盘价-T日收盘价)/T日收盘价

数据在盘中公布（T日收盘）：

T_chg_train = (T日的收盘价-T-1日收盘价)/T-1日收盘价

国债期货实操涨跌幅：

国债期货实操涨跌幅是从实际交易可行性角度出发，计算交易可实现的约束下，国债期货建仓后的涨跌幅与预期差之间的关联，简称 T_chg_test。

数据在国债期货收盘后公布（T日收盘）

T_chg_test：(T+1日的收盘价-T+1日开盘后一分钟收盘价)/T+1日开盘后一分钟收盘价

数据在国债期货盘中公布（T日收盘）

T_chg_test:(T日的收盘价-T日数据公布之后的5分钟收盘价)/T日数据公布之后的5分钟收盘价
如表1所示，复现中采用的数据集基本和研报中一致。但是我们也发现由于数据源的差异，构建的数据集在某些宏观指标有差异。如表2所示，由于M2数据属于盘后公布，所以公布时间的小时数不同不会影响结果。

表1. 我们构建的社同零同比数据（上表）和研报数据（下表）的对比

表2. 我们所构建的M2同比数据（下表）和研报数据（下表）的对比

二、指标信号的构建

基于以上样本的样本数据集，我们可以构建预期差与国债期货价格变动之间的联系，从而建立（X，Y）相关关系，其中

X为样本预期差实际值；
Y是高于（低于）X的样本利，预期差如期反应经济学逻辑的样本占比（胜率，当预期差>0的样本子集中：预期差>X，此时T_chg_test(T_chg_train)<0的占比。或当预期差<0的样本子集中：预期差<X，此时T_chg_test(T_chg_train)>0的占比)。

数据清洗中，我们删除比较极端的数据点，极端数据点的选取逻辑为：对于超预期子集，不显示超预期幅度最大的 9 个点；对于低于预期子集，不显示不及预期幅度最大的 9 个点。
复现的时候会出现结果不一致，主要原因是因为预期差的误差造成的。比如在复现的时候社零同比数据有-0.38，但是在研报中则没有这个数据。
1、社零同比预期差与国债期货价格对应关系

图1. 社零同比预期差与国债期货价格对应关系。

我们复现的结果（上图）和研报的结果（下图）基本一致。
社零同比预期差指标的有效性：

只有当社零同比实际值与预期值相差较大时，期货价格变动符合宏观逻辑的占比更高；
在实操实现层面，基于预期差的交易胜率同样有所降低，尤其是社零不及预期的时候。

2、M2同比预期差与国债期货价格对应关系

图2.M2同比预期差与国债期货价格对应关系。

我们复现的M2同比预期差和价格关系（上图）同研报结果（下图）有一定的出入，主要原因是两者预期差的值分布不一样造成的影响。
M2同比预期差指标的有效性：

基于 T_chg_train 反映的情况来看，无论是 M2 同比实际值高于预期还是低于预期，我们都能找到相应的预期差 X，对应胜率 Y 不低于 60%的情况；
基于更贴近实操交易层面的 T_chg_test 来看，实操交易在多数情况下，得到的是更低的胜率；
当 M2 同比实际值不及预期超过某一幅度时，胜率反而有所走低，但当 M2 同比实际值高于预期超某一幅度时，胜率有所走高。也就是说相比于大幅不及预期而言，市场对 M2 同比大幅超预期会更为敏感；
复现的M2同比超过预期的T_chg_test 要比T_chg_train好（同研报比较）。这个主要的原因在于预期差的值的不一致且数据个数太少的缘故，一个数据的差异会导致几个百分点的波动。

3、固投累计同比预期差与国债期货价格对应关系

图3.固投累计同比预期差与国债期货价格对应关系。

复现的结果（上图）和研报的结果（下图）基本一致。
固投累计同比预期差指标的有效性：

相比于 M2 同比而言，基于固投累计同比预期差的实操交易在某些情况下会提高胜率，尤其是在数据超预期的情况下。虽然看似胜率提高比较大，但背后其实是样本数量较少所致；
当实际值与预期值偏离超某一幅度时，胜率不升反降。

4、CPI同比预期差与国债期货价格对应关系

图4.CPI同比预期差与国债期货价格对应关系。

我们复现的结果（上图）和研报的结果（下图）基本一致。
CPI同比预期差指标的有效性：

CPI 同比不及预期超一定幅度时，符合宏观逻辑的样本占比有所提升，表明市场对大幅不及预期的 CPI 同比也相对敏感；
当实际值与预期值偏离幅度过大时，符合宏观逻辑的样本占比有所下降。

5、PPI同比预期差与国债期货价格对应关系

图5.PPI同比预期差与国债期货价格对应关系。

我们复现的结果（上图）和研报的结果（下图）基本一致。
PPI同比预期差指标的有效性：

PPI同CPI表现结果类似，但是总体还不如CPI。

6、经济数据预期差与国债期货变动相关性总结

复现的时候会出现结果不一致，主要原因是因为预期差的误差造成的。比如在复现的时候社零同比数据有-0.38，但是在研报中没有对应的数据。
对各个经济数据指标梳理来看，总结观察如下：

预期差和国债期货价格变动间的相关性是非对称的，高于预期和低于预期两种情况下，国债期货价格变动符合宏观逻辑的占比也会有所差异；
实际值与预期值偏离越大并不意味着市场对其反映更敏感，多数相关性检验呈现的关系为，当实际值与预期值偏离超某一程度时，符合宏观逻辑的样本占比反而开始下降。

三、宏观指标的筛选

1、剔除胜率不高的数据指标

根据实操最高胜率不低于60%的标准进行数据筛选，纳入策略信号的预期差数据：固投同比预期差、M2 同比预期差
2、固投累计同比预期差分布与符合宏观逻辑样本占比

样本区间内固投累计同比预期差范围在[-26.19，1.16]，不考虑极端值情况下，预期差绝对值普遍分布在 0 到 1 之间，因此采用 0.05 的步长对样本情况进行梳理。从样本本身及符合逻辑样本分布情况来看，对于低于预期的样本，符合逻辑占比较高的情况集中分布在 0.2%到 0.9%区间内，因此对于低于预期时的阈值和操作可设为：-0.9%<固投累计同比实际值-预期值<=-0.2%时，做多国债期货。对于高于预期的样本，符合逻辑占比较高的情况集中分布在 0.05 至 0.3 区间内，因此对于高于预期时的阈值和操作可设为：0.05%<=固投累计同比实际值-预期值<0.3%时，做空国债期货。

图6. 固投累计同比预期差分布与符合宏观逻辑样本占比。

复现的结果（上图）和研报的结果（下图）基本一致。
3、M2同比预期差分布与符合宏观逻辑样本占比

样本区间内 M2 同比预期差范围在[-1.35，2.3]，预期差波动不大，因此采用 0.05 的步长对样本情况进行梳理。从样本本身及符合逻辑样本分布情况来看，对于低于预期的样本，符合逻辑占比较高的情况集中分布在 0.15 至 0.25 区间内，因此对于低于预期时的阈值和操作可设为：-0.25%<M2 同比实际值-预期值<=-0.15%时，做多国债期货。对于高于预期的样本，符合逻辑占比较高的情况集中分布在 0.3 至 0.65 区间内，因此对于高于预期时的阈值和操作可设为：0.3%<=M2 同比实际值-预期值<0.65%时，做空国债期货。

图7. M2同比预期差分布与符合宏观逻辑样本占比。

复现的结果（上图）和研报的结果（下图）基本一致。
4、纳入信号数据指标的阈值设定

表3. 宏观指标信号的阈值设定

四、策略实现以及回测

基于前述设定的建仓标准，约定国债期货建仓后以建仓当日收盘价平仓，同时假设日内开平仓手续费为 0.03%，期货杠杆为 10 倍，每次买入相同手数的国债期货。基于上述三个指标我们回测基于每个指标单独的策略盈亏，以及三个指标合并的策略盈亏。回测区间选择上，虽然通常量化回测区间应与样本区间避免重叠，但受限于目前样本数量较少约束，我们将其设定在 2019 年 1 月至 2022 年 4 月。具体回测效果如下。
1、基于固投累计同比预期差

在做策略复现的时候，实际交易个数是11个，比研报中多了3个，盈利的个数为6个。也有将近一年的时间没有建仓。

图8. 固投累计同比预期差策略回测（上图）和研报结果（下图）的对比

3、基于M2同比预期差

在做策略复现的时候，实际交易个数是13个，比研报中少了2个,盈利的个数为10个。二则结果表现几乎一致。

图9. M2同比预期差策略回测（上图）和研报结果（下图）的对比

4、固投累计同比预期差和M2同比预期差的组合

固投累计同比预期差和M2同比预期差双指标的效果明显好于上述单一指标的效果（研报中采用的是三个指标合并，出口同比预期差具体公布时间在复现中尚未获取）。

图10. 固投累计同比预期差和M2同比预期差的组合策略的回测结果

5、回测至今的结果

研报只回测到2022/04，我们获取了最近几个月的数据，也同时进行了回测，发现在最近几个月（2022/05-2022/09）的表现并不理想。

11. 2019/01-2022/09的回测结果 a. 固投累计同比预期差回测

11. 2019/01-2022/09的回测结果 b. M2同比预期差回测

11. 2019/01-2022/09的回测结果 c. 固投累计同比预期差和M2同比预期差的组合指标回测图

五、复现总结

1、复现结果分析

由于可获取的数据不足以覆盖研报，且在数据值上有一定误差，但是在我们获取的数据上得到的结论和研报一致；同时由于整体数据样本个数太少，用于量化训练的样本集合和用于检测实际效果的样本集合有重叠，进而可能导致回测效果高估了策略的实际胜率和回报率。
2、优化方向

研报中提出的精细化交易，可以进一步进行优化。针对于宏观经济数据公布的时点进行分析，宏观经济数据的公布往往是多个一起公布的，固定资产投资报告，房地产开发和销售情况，社会消费品零售总额等数据是同一时间公布，所以对行情的影响可以进行数据归因分析，配比权重，组合成一个复合指标。不同时间的数据再进行多指标组合，这样可能可以进一步提高胜率。
研报中最大的问题就是样本数据太少，回测的结果的准确性有待检验，但是可以通过不同品种(其他债)的组合回测在横向上扩大样本范围，这样也可以做不同品种的组合策略，提高交易频率。
宏观经济数据一般会对基本面产生持续影响，市场日内波动最大的阶段也往往集中在经济数据刚公布的几分钟之内，但是数据对应的结果的稳定性是在更长的时间上才能有所体现。其实可以增加持仓的时间，观察期望差和价格波幅的关系相关性是否提高。

声明：已上内容均为宽客进化科研团队研究成果，转载请注明出处。

想了解更多，可以关注 @宽客进化，也可留言或私信我们。

编辑：撞不响的钟
北京宽客进化科技有限公司

——用数据智慧加速人工智能
推荐阅读：