量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，曾荣获AMMA优秀品牌力、优秀洞察力大奖，连续4年被腾讯云+社区评选为“年度最佳作者”。
商品期货市场中，经济活动和标的资产的需求有着紧密的联系。工业的生产和库存数据能够反映近期的市场需求是强劲的还是不足的，从而影响现货价格。同时，生产制造的情绪变化也有助于预测市场需求的拐点。在基于美国工业供给数据和有色金属期货价格数据的实证研究中，这些结论都得到了验证。基于如库存动态、工业生产增长及工业景气等指标构建对工业评价的综合指标，基于该指标构建的简单交易策略在过去28年取得了显著的收益。经济数据与大宗商品市场
与债券和股票不同，在大宗商品期货市场，经济数据有效地反映了相关标的资产的过去的波动。具体而言，制造业订单、生产和库存数据与工业消费者购买原材料有关。在其他金融市场中，经济数据主要影响后续的需求和供给。这对于制定关于经济数据和商品回报之间关系的假设很重要。需求过剩：由于实物商品需要储存，库存短缺或库存过剩的情况都是不希望看到的。而且，在某种程度上，商品需求似乎会随着工业活动的起伏而起伏。因此，如果过去的制造业活动高速扩张，库存增加，我们可以认为暂时的过剩需求和负回报可能性的增加。相反，如果过去的工业生产增长异常低或为负，库存下降，我们可以认为暂时的短缺和需求加速的可能性更高。情绪波动：如果制造业企业信心在最近几个月减弱，我们预计在其他条件不变的情况下，工业大宗商品需求将相应放缓甚至下降。由于情绪往往受到订单或订单前景而不是生产的影响，它应该对需求有一定的预测能力。本文基于以下有色金属期货来验证以上两个假设：铜、铝、铅、锌、镍和锡。即我们认为，过剩的需求和负面情绪与以上期货品种的价格之间存在负相关。为了将有色金属期货的具体表现与驱动所有大宗商品回报的共同因素分开，并避免大宗商品市场整体的风险敞口（和风险溢价），我们专注于每一种金属合约相对于一篮子非工业大宗商品合约的相对回报。为此，我们首先将所有每个商品期货的回报标准化到具有10%（年化）波动目标的头寸。（根据指数移动平均的历史标准差进行计算）。每个月底头寸都会重新平衡。然后，我们从每一种基本金属的回报中减去非工业篮子的回报。非工业产品篮子包括贵金属、美国农业商品、其他农业商品和牲畜等权重的子篮子。下图显示了波动标准化处理后的结果（蓝色为相对非工业大宗商品的收益，橙色为经波动标准后的绝对收益）。不同的商品有自己的长期模式，但也有很多共同的短期变化，都经历了20世纪90年代末和21世纪初共同的”超级周期”。选取合适的经济指标
由于大宗商品价格取决于全球市场的需求，最好的经济数据将是全球总量或代理数据。然而，这里我们将分析局限于美国的指标，原因有二。首先，美国的数据可以追溯到20世纪90年代中期，质量很好。其次，工业周期是全球相关的，在这里，我们只想验证这些周期与金属交易相关，并不是设计一个最优的交易信号。1、国内制造业和贸易业务的库存，一年同比值的3个月移动均值。这代表了最近的存货变化。2、工业生产增长，一年同比值的12个月移动均值。这代表了工业部门过去的周期性状态。3、ISM制造业调研，过去三个月主要调查指数的差值。这代表了情绪变化的方向和幅度。根据上述过剩需求和情绪波动预测能力的假设，我们预计前两个指标与金属期货的收益率负相关，后一个指标与金属期货收益率正相关。为进行检验，所有指标均进行Z-score标准化。库存和工业生产增长的预测作用
正如假设的，在1995年至2023年，库存的增长和工业生产的增加与有色金属商品期货的月度或季度超额收益率（相对于非工业商品期货）呈现负相关性。单个指标的月度胜率为52%（即指标的变化方向与下月期货价格变动方向相反的比率），两个指标的合成指标的胜率为53%，合成指标与期货收益率的相关性也在统计上显著，相关性的值为7-7.5%之间。下图分别为各品种下季度收益率与库存和工业生产增长之间的关系。调查指数（情绪指标）的预测作用
虽然我们在测试过程中发现费城联储制造业调查（Philadelphia Fed manufacturing survey, PFM）相比ISM预测效果更好，月度相关性为17%，月度胜率为52.4%。但PFM作为一个区域性调查，显然不如ISM覆盖广。为了研究的逻辑性，本文还是选用了ISM。ISM的变动与全部有色金属未来一个月的收益率呈正相关。在季度测试中，ISM与铝、锡及锌的相关性较大，而与镍和铅的相关性很低。合成一个综合的预测指标
首先将库存变动和工业生产增长指标计算Z-score，并计算两者的均值。将该均值取负数和与原始的ISM变动值相加形成综合指标。综合指标对于有色金属期货下个月的价格变动方向的预测准确率有54.8%，而且相关性将近10%，且与全部有色金融期货的相关性均为正。这种持续有效的预测价值体现在相关交易策略的表现上。我们以综合指标作为唯一的信号，模拟了两种简单策略。一种策略的仓位与得分成比例，另一种策略的仓位大小不变，但与得分变动的方向一致。每月第一个交易日进行调仓。不考虑交易成本。PnLs的年化目标波动率为10%。下图为各策略的表现（包括买入持有）：1995年至2023年(2月22日)期间的平均夏普比率约为0.5，平均Sortino比率约为0.6-0.8。多空策略的表现略好。虽然策略的表现并不是非常亮眼，但考虑到输入到信号的数据是非常基本的，而且信号的有效性持续了非常长的时间。因此，这个简单的基于经济数据的信号，可以为仅基于量价数据的策略研究提供一些新的思路。