本报告提出基于机器学习结合基本面库存信息的期货策略。通过全连接神经网络对技术指标进行拟合,并结合库存指标形成异或关系,以提高预测准确率。策略在2017年测试表现优异,年化收益48.80%,夏普率1.8,最大回撤12.43%,显著优于单纯神经网络模型。同时分析了库存数据选择及策略执行的交易成本假设,指出模型存在过拟合风险以及市场流动性风险等需要关注的风险点,为期货量化策略提供了创新思路与实践案例。
| 品种代码 | 品种名称 | 库存指标 |
|---|---|---|
| al | 沪铝 | 交易所库存 |
| au | 沪黄金 | 交易所库存 |
| cu | 沪铜 | 交易所库存 |
| fu | 沪燃油 | 交易所库存 |
| ru | 沪天胶 | 交易所库存 |
| zn | 沪锌 | 交易所库存 |
| pb | 沪铅 | 社会库存 |
| j | 连焦炭 | 社会库存 |
| Ag | 沪银 | 社会库存 |
| bu | 沪沥青 | 社会库存 |
| TC | 郑动力煤 | 社会库存 |
| rb | 螺纹钢 | 社会库存 |
| ME | 郑甲醇 | 期货库存 |
| FG | 郑玻璃 | 期货库存 |
| TA | 郑甲酸 | 期货库存 |
| l | 连聚乙烯 | 期货库存 |
| PP | 聚丙烯 | 期货库存 |
| V | 聚氯乙烯 | 期货库存 |
| wr | 线材 | 交易所库存 |
| HC | 热轧卷板 | 交易所库存 |
| NI | 镍 | 交易所库存 |
| SN | 锡 | 交易所库存 |
| 指标 | 机器学习结合基本面信息期货策略 | 单纯神经网络 |
|---|---|---|
| 夏普率 | 1.8 | 1.22 |
| 最大回撤 | 12.43% | 24.36% |
| 年化收益 | 48.80% | 31.50% |
| 周胜率 | 61% | 73% |
| 盈亏比 | 1.44 | 1.40 |
| 年份 | 机器学习结合基本面信息期货策略 | 单纯神经网络 |
|---|---|---|
| 2014 | 44.52% | 45.45% |
| 2015 | 34.07% | 86.37% |
| 2016 | 76.99% | 106.05% |
| 2017 | 48.79% | 31.51% |
图1-2(神经网络结构说明)
详细展示了单层和多层神经网络的节点、权重、激活函数,以类比人脑神经元的信号传递过程,帮助理解机器学习模型的非线性拟合能力,为后续模型应用埋下理论基础。
图3(商品品种与库存指标选取)
选定的22个品种对应不同库存类型,区分交易所库存、社会库存与期货库存,显示数据优先级及排除品种标准,确保数据质量与策略针对性.
图4-5(净值曲线)
显示两个策略的收益成长路径,结合基本面策略整体更平滑且风险较低。
图6-7(收益分布直方图)
收益分布显示结合基本面策略收益集中于正值,分布更广而极端值较少,有助识别策略收益的可靠性与稳定性差异。
图8-9(回撤曲线)
回撤表现是衡量风险的关键指标,结合基本面策略回撤幅度更小且分布相对均衡,显示其风险控制能力明显优于纯神经网络。
图10-11(年化夏普率柱状图)
夏普率作为风险调整收益的度量,结合基本面策略保持相对稳定的高夏普率,体现较好风险收益匹配。纯神经网络夏普率逐年减弱,揭示模型稳健性不足。
表1和表2(策略参数、收益率对比)
表1统计关键信息量化对比两个策略核心性能指标。表2从年度维度展现收益多样性,证实结合基本面策略整体更为稳健。
[表1-2见原文]
本报告通过系统理论分析和实证回测,系统阐释了机器学习神经网络结合商品期货基本面信息(库存指标)在期货价格收益预测和交易策略构建上的优势。报告详细说明:
总体来看,报告结论科学严谨,论据充分,数据支撑可信。其核心观点——结合基本面数据的机器学习期货投资策略,更优于单一技术指标模型——提供了量化投资领域具有实际操作价值且前瞻的研究范例。策略在当前市场环境下表现稳健,同时也明确指出潜在风险和改进空间,为投资者和研究者提供了较高参考价值.
(全文基于报告原文内容深度分析,附页码溯源,确保专业权威和内容完整。)
机器学习与量化投资:机器学习结合基本面.pdf