本报告作为《高频收益如何及何时可预测》系列中篇,详尽介绍了国内期货高频市场的实证研究流程,涵盖研究对象、数据集、因子构建、预测目标设定及多模型回归方法(包括OLS、Ridge、Lasso及随机森林、XGBoost、LightGBM)。针对国内数据限制,构建了超过130个高频因子,并采用多步滚动窗口与样本外验证方法进行模型训练和特征筛选,为下一篇实证结果分析奠定基础
研究对象和数据集选择 :
高频因子库构建及挑战 :
因子回溯区间优化 :
预测目标定义 :
多模型建模框架 :
特征预筛选机制 :
模型训练与验证流程 :
量化策略生成思路 :
机器学习集成模型说明及示例图 :
综上,本报告旨在介绍华泰期货针对此前理论研究的国内实证路径,尤其是怎样构建预测模型,选择因子和数据,以及如何训练和验证模型,重点为读者铺设理解实证结果的基础框架。
报告选取了两个具有较好流动性且数据较完整的主力期货合约:上期所燃料油(LU)和螺纹钢(RB),基于2023年8月中至11月中三个月的数据作为样本区间。考虑市场流动性和数据完整性,研究保证了数据可靠性和市场代表性。
数据字段覆盖了时间戳、成交价、成交量、持仓量、买卖五档报价及挂单量等常见高频市场信息,为因子构造和模型建立提供了丰富维度的定量指标。
因子构造难点:与国外高频股票市场相比,国内期货市场难以获得逐笔成交的精细数据,且盘口数据推送频率低(约500毫秒间隔内无法解析具体变化),故缺失文献中常见的逐笔成交和纳秒级报价快照,导致原文13个因子仅6个能复现。这6个因子涵盖总成交量、报价不平衡、成交不平衡、历史收益、换手率、报价价差。
创新做法:基于上述限制,报告团队自行开展了广泛因子收集与开发工作,最终形成了超过130个高频因子的丰富库,为模型提供多样特征支持。
回溯区间调整:针对文献中的因子计算回溯区间方式(9个非重叠区间,增长为指数序列),团队微调为10个回溯区间,目的是提升模型样本外预测表现,以捕捉因子在不同时间尺度的影响。
预测目标明确为未来10个Tick(约5秒)内的收益率,计算方式是未来区间内成交均价与当前中价的比值减一,且考量实际交易中可能的延迟,将预测目标向后推迟1个Tick,体现出严谨的实用主义思想。
公式表示为:
Return(T,Δ,M)=Average[Pttxn:t∈Dtxn∩Intforward(T,Δ,M)]/PT−1其中,T指当前时点下一个Tick,Δ=10,M为日历时钟。
报告系统介绍了6种回归模型,分为线性模型和机器学习模型:
线性回归模型:包括最小二乘法(OLS)、岭回归(Ridge)、LASSO回归
机器学习模型:随机森林、XGBoost、LightGBM三种基于决策树的集成模型
此部分深入讨论了模型优缺点与适用场景,为后续实证中模型选择和调参奠定基础。
考虑到超过130因子,乘以10回溯区间后形成超过1300个特征,直接训练复杂且可能影响预测精度;团队设计了针对每种模型的预筛选流程:
这种步骤有效控制特征维度,提高训练效率,同时保留了对模型预测贡献较大的特征。
训练采用滚动窗口验证法,细化为:
图3清晰展示了训练和测试时间窗口的设置及交替,用40天作为测试集实现较为稳健的样本外验证。
此阶段方法高度契合学术文献,符合时间序列预测中切实可行的方法论规范,确保结果可信且具有推广性。
此表作为数据基础支撑,显示研究针对的是常规且易于获取的期货_tick_数据而非更为精细的逐笔成交,使后续实际应用具有现实可操作性。
该图未直接关联定量数据,但对于非机器学习专业背景的读者具有教学引导效果。
该图显示模型训练和验证细致到天级,使得样本外效果计算的时序性得到保障,体现研究设计的严谨性和对时间序列预测特性的把控。
报告本身并未涉及具体的估值方法或财务预测,而是专注于高频数据的预测模型设计与培训,因此无传统意义上的PE、DCF或EV/EBITDA估值分析内容,亦无目标价。研究的核心是预测未来短期收益率的统计与机器学习模型表现,估值更多体现在模型表现的统计指标R2和预测精度。
报告未专门设立风险因素章节,但从实证设计可隐含识别关键风险:
报告通过样本外验证、滚动窗口训练和特征筛选等方法缓解上述风险,但仍存在系统性风险,投资者应用时需警惕这些潜在因素。
整体而言,报告严谨客观,但对模型效果的讨论留给了后期篇章,实测结果缺失需要谨慎解读方法论层面的贡献。
本报告以“高频收益如何及何时可预测?”为题,对接前期理论研究,系统构筑了国内期货市场高频收益预测的实证研究框架。报告首先选定了具代表性且数据完备的燃料油和螺纹钢主力合约,从2023年8月至11月的60个交易日高频Tick数据出发,全面梳理了因子构筑的实际困难及创新设计,扩充至超过130个高频因子,以迭代地捕捉时间序列中的多尺度影响。
预测目标具体定位为未来10Tick(5秒)内的收益率,计算方式和时序设计兼顾了实际交易延迟。模型方面,报告结合经典的线性回归(OLS、Ridge、LASSO)与先进的树基集成机器学习模型(随机森林、XGBoost、LightGBM),介绍其数学原理、优缺点及实际应用场景。为应对海量特征与样本的计算挑战,设计了一套细致的特征预筛选流程,确保训练效率与预测准确之间的平衡。
训练方法采用滚动窗口与分阶段调参策略,保证模型样本外预测的稳健性和时序一致性,利用40天的测试集进行实证验证。图表方面,报告通过样例Tick数据和决策树示意图辅助讲解技术细节,并清晰描绘了模型训练及验证的时间流程,增强方案可操作性。
不足之处在于,因篇幅与研究不断推进的缘故,报告未公开具体预测结果与模型比较,后续报告将成为验证模型实力的关键。本篇更多着重于方法论、数据处理与模型架构的系统构建,奠定了国内期货市场高频预测实证研究的坚实基础。
本报告详尽介绍了在数据受限的国内实际环境下,如何创新构建高频因子,谨慎选择多模型组合,通过科学验证流程,系统探索期货高频收益的预测可行性。整体研究立场中立坚定,方法专业严密,对未来在实战策略中的应用持开放期待。后续成果发布势必对行业及投资策略设计产生重要指导意义。
高频收益如何及何时可预测?(中).pdf