热点报告——
金融工程
衍生品量化择时系列专题（九）
——基于Prophet和模式识别的
基本面量化模型优化
★研究背景：
在先前的研究中，我们已经构建了相对成熟的商品基本面量化策略，并且已经在繁微平台上对该策略进行了一段时间的跟踪，在长达两年的跟踪时间内，策略表现整体运行良好，在不加杠杆情况下，年化收益率为7.32%，夏普值为1.45，最大回撤为4.08%，收益风险比1.8，胜率为58%，sortino比率为2.19。在此基础上，此报告针对原有模型进行改进以达到更好的预测效果。
★模型优化：
针对基础模型进行多方面的优化。首先精简因子数量，使得模型容易跟踪和复现；其次基于Prophet预测模型对商品基本面数据进行趋势数据的剥离，并尝试对价格序列本身进行自预测；最后引入模式识别机制，判断当前市场行情是否由基本面数据所控主导，若不是，则采用量价模式下的信号生成机制。
★Prophet模型：
Prophet是由Facebook于2017年推出的时序数据预测模型，相较于传统的时序预测模型具有如下一些优势。灵活性：无需对原始数据进行平稳性处理，同时可以对数据进行不同周期的趋势性分解；可解释性：模型通过分解出趋势、周期、事件影响这三要素，能够直观反映出各部分对于数据的影响；效率高：Prophet算法运行效率较快，相较于机器学习模型的不断训练，Prophet只要进行一次拟合即可。
★模型结果：
在采用模式识别机制下的Prophet趋势因子优化之后，模型对于单品种的回测表现为：年化收益31.69%，夏普值接近1.79，最大回撤控制在18.71%，胜率为60%；样本外表现为夏普值接近1.60，胜率为60%。
★风险提示
结论基于历史数据分析，未来市场规律的变动可能使结论失效。
报告摘要
研究员简介
繁微小程序
谢怡伦——东证衍生品研究院金融工程分析师
从业资格号：
F03091687
投资咨询号：
Z0019902
以上内容节选来自东证衍生品研究院已经发布的研究报告《衍生品量化择时系列专题（九）——基于Prophet和模式识别的基本面量化模型优化》，发布时间：2024年3月28日，具体内容（包括风险提示）请详见东证繁微小程序完整报告。
