巴黎好运彩注册CTRL+D收藏本站    您好!欢迎来到kafredo.com

                                                                                        首页 > 巴黎好运彩注册 >  正文

                                                                                        想要了解電煤產業 你要先了解它

                                                                                        本文由:李正谊 编辑 2019年07月31日 8:02 综艺资讯18962 ℃

                                                                                        【东航回应降落失败】

                                                                                        l 電廠日耗(consumption)在春夏秋季具有一般的相關性(40%左右)π,而在冬季上相關性較低;

                                                                                        5) 回測時點上⊿π,由於相關係數需要一定時間的計算期∟◇,我們選取2016年之後的時間區間做回測﹡﹡,這個時間點自動力煤上市滿足500個交易日♂,各項指標分佈相對成型◇☆♂。

                                                                                        其中▽,卡爾曼濾波時間更新算法:1) 當原始模型分值大於 up_bound☆▽▽,做多;當原始模型分值小於100減up_bound﹡♀,做空∵。

                                                                                        l 船舶數量(amount of ship)在春夏秋┊,尤其是夏季表現出較強的相關性;而在冬季∵,其相關性略有減弱(50%左右);

                                                                                        我們從2013年10月起﹡,回測了超過5年的數據◇⌒〇,結果顯示:l 煤炭海運費(freight)與動力煤價格在四個季節上均表現出最強相關性(75%-85%)⌒,且在先行天數上基本變化不大;

                                                                                        巴黎好运彩注册

                                                                                        由於單個指標對價格變化的解釋度有限┊△◇,在部分行情中容易出現指標與價格偏離的情況☆↑⊿。因此我們選擇採用多個因素進行擇時測試□。在本篇報告中△♀♀,我們用中游和下游的數據設計擇時指標(上游數據多為產地價格、產量數據?〇↑,由於變化頻率低♂,且滯后性比較明顯♂♂,故在該策略中不引用)⊿▽。

                                                                                        5大基本面數據與動力煤價格的相關性並不是靜態的♂﹡∟,而是動態的〇﹡♀。因此∟,選擇一個合適的計算窗口非常重要┊┊〇。在此我們根據動力煤基本面的季節性特徵△⊿⊙,將窗口分位春(2-4月)、夏(5-7月)、秋(8-10月)、冬(11-1月)⌒♂,四個時間段☆♂△,分別計算在不同季節下∵∟♀,不同先行周期下的相關係數∵∵。

                                                                                        從動力煤和焦炭、甲醇等活躍品種的波動率也可以看到⌒∟,其波動水平遠低於后兩者☆♂。因此其價格走勢將更加由基本面主導△↑,並在價格超漲超跌、基本面轉向後能夠較快的出現反轉信息♂。這無疑增加了基本面策略的有效性♂〇。

                                                                                        巴黎好运彩注册

                                                                                        雖然單因素模型能夠獲得較高年化收益↑∵,但其穩定性相對不高〇↑,尤其是在參數敏感性上表現不佳∴∴▽。我們在第三部分引入了下游高頻數據↑﹡⌒,是對單因素模型的補充♀△。並在考慮了滑點后提升了整體的卡爾瑪比率至2.69∵。在設置三跳、滑點=0.6的情況下⌒,仍能夠獲得2.27的卡爾瑪比率??。而該策略又是低頻、偏左側交易的模式〇〇,滑點、衝擊成本的影響相對較價量策略小⌒⊙♂。

                                                                                        流量因子:對於的選擇♀↑,我們根據不同數據對於動力煤期貨價格的最優先行天數而定(這裡是指在一定的交易天數內┊⊙,選取相關係數最大的值對應的天數)π∵。而因各個指標與動力煤價格之間有着不同程度上的相關性∴⌒↑,這些均為非線性相關▽。這裏我們採用spearman相關係數代替傳統的Pearson相關係數算法⊙〇♂。從而計算出不同源數據對應的不同的相關係數:

                                                                                        2) 交易手續費方面∴□,我們按交易所規定的4元/手的標準進行雙邊扣除♂△♂。3) 槓桿使用率方面∟△,我們在動態資金下不使用槓桿∟♂。4) 滑點設置方面┊,由於本模型屬於低頻模型⌒↑□,我們最初採取0.2元/噸作處理☆,後面會測試其他不同滑點下〇,策略的結果♂〇。

                                                                                        比如〇□,的情況下♀,從2016.10.12至2019.7.12累積凈值達到1.91↑▽〇,年化收益率26.48%♀⊙⊙,最大回撤13.19%?△,夏普比率1.604﹡⊙,卡爾瑪比率2.01∟。在♀♀,的情況下┊,從2016.1.19至2019.7.12累積凈值達到3.225△,年化收益率41.11%☆,最大回撤17.3%∵⌒△,夏普比率1.02π♀△,卡爾瑪比率2.38☆♂。

                                                                                        2) 在1)的基礎上♂,當模型分值處於up_bound 和100減up_bound之間時◇⌒,當原始模型分值大於卡爾曼濾波結果以及均線∟,做多;當原始模型分值小於卡爾曼濾波的結果及均線↑♂,做空;當原始模型結果處於卡爾曼濾波和均線結果之間時♂△,平倉π△。

                                                                                        思路:利用最優先行周期計算5個指標的流量∵♀,成為流量因子;存量因子等於數據的絕對價格♀?,其分佈仍然用高斯分佈模擬π∴♂。將以上10個因子做分佈統計⊙〇△,時間為2013.10-2019.7△↑﹡。

                                                                                        同樣⌒▽,對於港口錨地船舶數量∴,我們的思路是♂,通過判斷船舶數量在一段時間內的累計變化量來判斷買賣入場點┊⊿?。設為船舶數量的時間窗口♂◇┊,為船舶數量變化量☆。當觀測到船舶累計變化量超過時∵,即為買入信號△☆,當觀測到船舶累計變化量低於設定的時〇,即為賣出信號□┊。

                                                                                        我們選取up_bound等於75且均值等於15的一組結果做詳細分析☆。在手續費=4元/手∴∴⊙,滑點=0.2元/噸的設定下⊿,(每年250個交易日)該策略年化收益率37.29%〇⌒,最大回撤13.85%∴∵∴,calmar比率等於2.69▽♀⌒,收益波動比1.68⊙,交易次數122次∴,勝率52.46%?□⌒,盈虧比2.72♂⊙♂。在其他手續費和滑點設定下的凈值、最大回撤等指標見圖27△?〇,表5﹡♂。

                                                                                        l 港口庫存(harbor stock)和電廠庫存(station stock)呈現出的相關性比較低π♂,其影響主要是在流量變動和絕對高位或低位產生影響□△▽。

                                                                                        巴黎好运彩注册

                                                                                        截至2017年底數據♂∵⊙,我國煤炭消費總量達到38.6億噸﹡,動力煤消費量達到31.37億噸┊⊙,佔總煤炭消費量的80%以上┊?。其中60%左右的動力煤下游消費端為電力行業消費◇⌒◇,4.8%在冶金行業∟⊿┊,5.4%左右在化工行業﹡〇,8.8%左右在建材行業◇,8.24%在供熱行業♀⊙∵,11.5%在其他類行業♂?。電力行業消費佔據主導作用♀☆,也在需求端左右着動力煤價格的走勢☆↑。

                                                                                        傳統的CTA策略多以價量數據為基本信息⊿♀,從而做出投資決策◇〇⌒。動力煤是煤炭最大的一個分支♂,產業結構相對穩定∟,其價格走勢受到基本面的影響大⊿⊿,而該期貨品種的投機性和波動性都比較低♂♀,以價量數據做多波動率的策略在動力煤上收效甚微∴∟。本篇報告着眼于純基本面信息∟□∴,從品種的產業鏈邏輯出發探索了以基本面數據為驅動的擇時策略▽?♂。

                                                                                        巴黎好运彩注册

                                                                                        對於運費♂◇,我們的思路是:通過判斷港口運費在一段時間內的累計變化量來判斷買賣入場點⊿。即∴?,設為運費的時間窗口∴△﹡,也就是累計變化量的計算時間區間;設為運費變化量▽◇,也就是時間窗口內的運費累計變化量?。當觀測到累計變化量超過設定的值時♂,即為買入信號;當觀測到累計變化量低於設定的時∵∴,即為賣出信號∵⊙。

                                                                                        巴黎好运彩注册

                                                                                        基於對動力煤產業鏈的分析∵⊿,我們發現動力煤中游數據:錨地船舶數〇,海運費和動力煤價格的正向相關性比較高△⌒﹡。我們以這兩個指標的數據作為基礎△π▽,構建出兩個單因素動力煤期貨的擇時模型∵♂▽。

                                                                                        當買入或者賣出信號出現后∴┊⌒,即在第二個交易日開始下單□▽⌒。並且開倉過程中不涉及平倉操作◇♀∴,狀態非買入即賣出☆﹡▽。

                                                                                        由於通過相關性計算的模型分值波動較大〇△,我們選擇卡爾曼濾波器算法對其進行平滑∴。卡爾曼濾波的一個典型實例是從一組有限的π⊿∵,包含噪聲的♀∴⊙,對物體位置的觀察序列預測處物體的坐標及速度?,其被應用於很多工程中(如雷達、計算機視覺)∟♂。例如△┊⊙,對於雷達來說⊙,人們感興趣的是其能夠跟蹤目標﹡。但目標的位置、速度和加速度的測量往往在任何時候都有噪聲┊。卡爾曼濾波利用目標的動態信息〇﹡,設法去掉噪聲的影響?◇?,得到一個關於目標位置的好的估計π,這個也可以是對過去位置的平滑∴。我們在此利用其這一特性對模型分值進行平滑∟∴。

                                                                                        巴黎好运彩注册

                                                                                        . 單因素模型的探索——以中游數據為例:. 多因素擇時模型:在綜合指標設計方面∟♀,我們選取6大電廠日耗合計、港口運費、港口庫存、港口船舶數量以及6大電廠庫存作為5大因素﹡△□。在不同季節下⊙◇⌒,計算動力煤價格和5大數據的spearman相關係數┊♀,以及先行天數┊┊□。再根據存量數據和流量數據的分佈⊙▽,以相關係數平方做加權處理⊿,得到模型得分⌒。同時利用kalman濾波和均線做平滑處理♀♂?。

                                                                                        而且∟┊?,對動力煤價格變動影響最大的是中游的數據♀⌒,代表着交投氛圍和運輸成本♀∵♀。這兩個數據基本上能解釋大部分動力煤價格變動的因素⌒♀┊,但在某些時點⌒♂,需要下游數據的位置進行配合才能做出較為準確的擇時□⊿﹡。

                                                                                        但是∴∴,根據上面回測結果可以發現⌒?,單因素模型參數敏感度很高△〇。比如海運費模型(3☆,3)的組合表現很差∵⌒∵,(3♀∟?,4)明顯優於前者♂♂〇。並且□⊙,由於單因素模型無法完全解釋動力煤價格變動△﹡,其下游需求是驅動動力煤價格變動的根本因素之一┊⌒,中游偏表象♀┊⌒。而運用到擇時策略上◇,單因素模型風險較高∴⊙,面臨回撤較大↑◇。因此我們在下文給出了基於中下游數據的多因素擇時模型☆♀,來改善以上的缺點π♂∵。

                                                                                        6) 由於本策略偏左側交易♂♂〇,因此在回測過程中♀∟,盤面的衝擊成本暫不考慮◇〇。本策略共涉及三個參數∟↑,絕對量因子權重π∵,分值上限up_bound和滾動均值參數⌒◇◇。根據我們的計算結果來看□,當流量因子權重偏高時策略的不穩定性加強﹡π,波動較大♀?,夏普比率低;而絕對量因子權重高時∟,其策略穩定性較好?,波動低⊙⊿。因此我們在此默認展示絕對量因子等於0.85時的情景⊿?♂。

                                                                                        巴黎好运彩注册

                                                                                        3) 該模型不涉及動態止損或止盈◇▽。1) 回測合約方面∵?↑,我們根據市場規定∵,以每年的1、5、9月為回測合約﹡,並在遠月合約的持倉量大於近月合約的后一個交易日♀↑,更換合約♂☆?,且不切回◇♀△。

                                                                                        我們發現□,動力煤中游數據(錨地船舶數量和海運費)與價格呈現較高的相關性?♀◇,下游數據有一定的相關性但弱於中游數據┊。根據上文的測試π∴∵,以海運費的單因素模型獲得了年化收益率26.48%□﹡,最大回撤13.19%∵▽,卡爾瑪比率2.01的結果♂?。而錨地船舶數量因素的模型獲得了年化收益率41.11%♂∟,最大回撤17.3%π□,卡爾瑪比率2.38的結果♂∵﹡。

                                                                                        巴黎好运彩注册

                                                                                        1)單因素回測方面☆□↑,重點在於展示數據有效性∟,我們使用動力煤期貨指數(ZCFI.WI)作為價格合約∟﹡。

                                                                                        同時∟┊,該策略也有相應的問題∵?,在動力煤產業鏈中∴♂,下游仍然有水泥、化工和基建等行業↑↑▽,由於這部分數據的低頻屬性(大多為月頻)⌒π⊙,難以量化;而上游的周度數據對價格指引較低?☆┊,也相對難以量化∵。因此該5因素模型對價格的解釋度仍不完全(這裏最典型的例子就是♂♂∴,當進口煤放開或者收緊、煤礦地區發生事故導致供煤緊張∟?∟,從而對價格產生的短期擾動♀π,是中下游數據無法解釋的↑↑△。

                                                                                        港口運費的選擇:因為海運主要是北煤南運▽﹡♂,因此我們選擇各個主要港口之間的運費平均值作為運費指標◇π。各個港口運費分別為:天津-上海、天津-鎮江⌒,京唐/曹妃甸-寧波∟↑♂,秦皇島-廣州♂,秦皇島-福州∴,秦皇島-寧波□↑,秦皇島-上海∴♂,秦皇島-張家港⌒〇,黃驊港-上海♀,秦皇島-南京?∵⊙。

                                                                                        2)交易手續費方面♂π,我們按交易所規定的4元/手的標準進行雙邊扣除∟♂△。3)槓桿使用率方面♂π,我們不使用槓桿∟□,且不做浮動加倉□⊿。為了直觀表示♂,我們截取部分有效參數⊙∴⊙,觀察該模型的表現⌒↑。海運費單因素模型⊙▽⊙,選取的時間窗口內┊☆,的變化對結果的影響♀▽⊿。以下為不同(☆⊿⌒,)的凈值結果∟,以2016年10月12日的動力煤指數收盤價作為基準π∴△,價格指數為541⌒∵。

                                                                                        Ø 單個因子標準:Ø 流量權重和存量權重:在得到因子后↑,經過一系列的標準化、加權處理得到我們最終的模型☆♀⊿。模型返回的是5個數據10個因子的整體打分水平⌒☆,區間是0-100分﹡♀,分值越低基本面越弱⌒﹡。

                                                                                        每一組數據都能代表流量和存量數據∴△▽,流量數據代表一定時間窗口內△▽,數據的變化量(具有方向);存量數據代表目前時點該數據的絕對值♀。根據這一特性∟,我們針對不同的源數據♂〇⌒,設計了流量因子和存量因子(以上頻率均是日度):

                                                                                        根據不同季節下各個指標最大相關係數對應的先行天數☆◇∟,可以得到流量因子和存量因子的數據選取方法∴。一般而言⊙∵↑,相同季節下不同時點的相關係數比較穩定〇⌒〇,隨時間變化而變化的幅度較小⌒┊﹡。根據以上得到的相關係數┊□♂,可以完成最終不同季節下對因子的計算﹡∟。

                                                                                        根據我們對基本面的研究發現∟,動力煤產地主要集中在山西、陝西和內蒙∵?,供應數據主要包括坑口煤價等〇,但其數據頻率為周頻且相對於港口數據變化較為不敏感☆⌒。中游的數據主要由港口錨地船舶數量♀,港口海運費☆∟♂,港口庫存和港口吞吐量、調入調出量(日度數據)↑⊙⊿。下游主要包括沿海地區六大電廠庫存、日耗(日度數據)⌒∴∟,以及內陸重點電廠庫存(周度數據)▽∴∟。

                                                                                        巴黎好运彩注册

                                                                                        我們選取6大電廠日耗合計、港口運費、港口庫存、港口船舶數量以及6大電廠庫存作為5大因素◇⊙π。其中港口庫存包括秦皇島、曹妃甸和國投京唐港的庫存♂。這些指標覆蓋了動力煤產量鏈中以電煤為主的中下游數據∵?◇,能夠基本解釋動力煤價格的走勢□♂〇。

                                                                                        巴黎好运彩注册

                                                                                        因此動力煤是在工業品中比較理想的分散風險的商品△〇,其既有黑色原料的屬性⊿,又有能源工業品的屬性∟〇π。價格走勢自成體系∟┊↑。以動力煤期貨出發的量化策略能夠較大程度上分散和黑色系的同漲同跌風險□⊿。

                                                                                        ( 郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。 )

                                                                                        站内搜索
                                                                                        热门搜索
                                                                                        关注我们