市场极端环境冲击
量化模型结果不能完全代表未来
报告全文
1
原油基本面量化的方法：从基本面数据到预测模型
1.1、原油基本面
原油是重要的工业原料，原油加工能得到柴油、汽油、煤油、等能化品，其价格走势对整个能化产业链都有着非常重要的影响。原油价格无论对于产业链企业还是金融投资机构都是关注的焦点问题，本文将建立基本面量化模型对原油、汽油等油类的价格进行预测。
原油产业链遍及全球，产业链数据涉及产油、炼油、运输、库存、消费多个环节，此外原油作为重要的大宗商品期货还产生了大量相关的衍生数据，Brent原油期货合约和WTI原油期货合约是全球原油价格的重要标杆。
原油的基本面数据，主要分为原油期货相关数据、EIA相关数据、石油生产数据、石油贸易运输数据、石油公司股价数据。由于实际细分项的基本面数据高达近千项，这里仅对部分代表性数据库的基本面数据进行部分展示。
原油的基本面数据数量较多、质量可靠，为基本面量化的良好结果打下了数据基础。由于原油基本面数据数量众多高达近千项，这里不一一列举。
1.2、预测方法：高维时间序列因子模型
基本面量化的预测问题本质是用多维的基本面数据来预测未来收益率，高维时间序列预测问题可以简单归结为利用高维数据来形成对某一特定时间序列的预测。
将上述高维时间序列预测问题利用金融学中常用的因子模型进行建模，这里直接引用Fan et al.（2017）中的表述。
以上表述中第一行为“预测”，第二行为“降维”。Y是需要被预测的变量，X是可以观测到的预测变量，即基本面数据指标。一般而言X是高维矩阵，需要降维，f是降维后得到的因子。
第一行预测最为简单的可以考虑线性预测，比如宏观经济学中多用向量自回归（VAR），当然也可以考虑其他非线性预测方法，重要的是依据数据特点和服务预测目的。
第二行降维常用因子模型（factor model）的结构，通过降维将多维信息集中到少数变量中，便于预测、后续监控。因子模型在金融中极为常见，因子f可以是直接找的某种proxy，比如Fama-French三因子模型，也可以是直接从X中估计得到的，比如PCA估计因子的latent factor model。无论是宏观中的dynamic factor model还是金融中的common factor model，或者计量中的latent factor model，都可以归结为该因子模型结构。
在实际应用中，一般把预测和降维综合起来考虑，降维是手段，预测才是目的。
1.3、量化择时体系
从整个大的择时逻辑框架而言，不同的资产（股票、债券、商品等）在时间序列上的驱动因子存在差异，而且趋势周期的长短（长、中、短、高频）也存在差异。总体而言，长短周期的择时信号叠加基本可以解决资产的择时问题，根据我们的择时策略研发经验，概括起来，择时长周期看宏观（经济增长、流动性等），中周期看基本面（如行业上下游、供需、公司经营情况等），短周期看量价（量价趋势性判断指标）。长、中、短周期的择时信号叠加可以极大解决资产的择时问题。
通过对时间序列、相关性、降维、预测等方法的研究，以及将具体方法应用于择时策略，我们逐渐搭建完成了完备的“量化择时方法体系”。
我们的量化择时体系能够批量挖掘有效的择时因子，并对有效的多维择时因子进行组合优化，该体系具体内容如下。
一、单择时因子挖掘：择时因子的批量挖掘，从原始数据到生成择时因子，数据处理、形式变换、周期变换；
1.1 形式变换：确定数据的何种形式有预测效力，如绝对值、平均值、环比、同比等
1.2 周期变换：确定择时因子的最优预测周期，比如有的因子时序滞后
二、单择时因子检验：系统化检验单因子的择时效果，有效的单因子进入择时因子池；
2.1 预测法：根据预测值生成择时信号，回测择时表现
2.2 分组法：根据历史分组生成择时信号，回测择时表现
三、多择时因子组合优化：从因子池挑选有效的因子，对多择时因子降维预测形成最终的综合多空信号；
3.1 预测综合法：打分法，信号打分综合
3.2 信息综合法：降维预测方法，因子降维形成综合预测
整个量化择时体系是一个系统的框架，很多模块的细节可以进一步优化，通过我们对黑色（、石、）、能化（原油、、、PP、L、MA）、有色（铜、铝、镍、锌）、非金属建材（）、油脂油料（油、豆油、菜油）、农产品（、豆一、）等期货品种的基本面量化研究已经证明了这套方法的可行性、可靠性、先进性。
量化策略的成功关键在于系统性，只有系统的成功才能保证策略的稳定更新迭代，才能保证长期稳定的盈利，一套成功的从数据到指标、到信号、到优化组合的投研系统就是资管机构的“核心资产”。
该择时方法体系可用于任何“价格”的择时，应用的策略包括CTA趋势策略（对绝对价格进行择时）、套利策略（对价差进行择时）、股票横截面因子择时（对一个资产组合进行择时）、大类资产配置（宏观择时）、基本面择时（高频基本面数据用于时间序列择时）等。
基于东证期货“繁微数据平台”，该数据平台聚合了来自多个数据库（INE、Bloomberg、Baker Hughes、Thomson Reuters、EIA、CFTC）的原油基本面数据，我们构建了原油基本面因子库，基本面高频数据更新频率在日频、周频，基于预测模型我们可以实现日度频率地每天更新预测结果，以便更好地将预测结果用于更新投资决策。
2
基本面量化择时：原油
原油是交易量最大、交易最为活跃的大宗商品之一，不仅是很多CTA策略的主要品种，而且深受大类资产配置类策略的偏爱，对原油期货未来价格的预测意义重大。
上期所的SC原油合约（SC.INE）上市时间太短历史数据不够，而原油价格以外盘定价为主，这里主要以伦敦国际石油交易所IPE的Brent原油期货（B.IPE）首行合约的收盘价作为预测对象，利用基本面数据对原油期货未来的价格走势进行预测。
通过多周期的预测结果，可以实现预测原油的“远期价格曲线”，以更好地指导择时类原油交易。
2.1、中周期择时：月度预测
中周期择时是指预测周期在未来20个交易日，即月度周期的择时。在对多个品种进行基本面量化后我们总结发现，周度数据为主的基本面数据集往往预测月度价格效果较好，对趋势性机会把握更加精准。
（1）有效的基本面指标
首先是裂解价差这一类指标择时比较有效，其中包括“汽油-WTI裂解价差”、“ICE柴油-Brent裂解价差”，“LLS GULF COAST 321”、“WTI Cushing/USGC 321”为地区裂解价差。
CFTC持仓情况是原油交易员关注度较高的指标，研究发现持仓情况确实有择时效果，包括 “CFTC非商业空头持仓量”，“CFTC非商业净多仓占比”。
此外，原油贸易、运输环节的数据也有择时效果，包括“美国周度成品油净出口量”， “中东至中国VLCC运费”。
最后，石油公司、炼厂等上市公司相关数据也能为油价未来走势提供可参考的信息，包括“美国炼厂Marathon Petroleum公司的股价”。
从原油基本面数据中，可以挖掘出很多具有择时效果的基本面择时因子。这里仅做简单的等权组合多空回测来检验其择时能力。
（2）基本面指标的样本内择时效果
基本面月度预测信号与原油长周期的趋势变动方向相一致，如2015、2020年看空原油，2017年看多原油。缺陷在于只能把握周期性趋势，难以确定精确的开平仓点，我们在后面叠加量价信号解决了这一问题。
基本面信号多空回测年化收益率53%，夏普1.7，胜率70%，盈亏比2.21，典型的CTA趋势策略，回撤较大主要是因为趋势结束时未及时止盈带来的大幅净值回撤。
月度周期的择时适合中长期持仓CTA策略的原油投资者，及时止盈止损可以极大提升该策略的表现，而且长期来看择时策略的表现还是相当优异的。
（3）样本外动态筛选指标的择时效果
进一步，由于部分指标可能存在失效的问题，这里考虑动态筛选有效的基本面指标来进行预测，提高预测的准确性。动态筛选指标的窗口期一般选择3-5年，太短可能指标择时稳定性不够，太长容易在指标失效时未及时剔除。
此前有读者会认为筛选样本这一步是样本内的，但是如果数据样本足够长的话完全可以样本外每一个交易日动态筛选有效的指标，事实上在做定期报告预测时我们也是这样做的。此前一些品种未做动态筛选主要原因是基本面数据时间长度较短，这个动态筛选后的样本外的数据会相对比较少，而我们本身的逻辑是追求长期有稳定择时效果的指标，只要指标的长期稳定性好，预测结果长期来看择时效果还是非常稳定的。
原油是较难择时的品种，为了进一步挖掘有效因子来提升策略择时的表现，利用东证期货“繁微数据库”中的大量基本面数据，我们进一步扩展时间长度和基本面指标覆盖的广度，时间上覆盖了2010年1月以来的基本面数据，以下基本面数据均可以在Bloomberg数据库找到。
基于长达10年历史的择时因子数据，进行样本外动态筛选指标，具体筛选规则是每个月（20个交易日）更新有效因子组合，在更新日回测每一个因子过去5年的表现，筛选标准是单因子年化夏普高于0.7、胜率高于50%、交易次数高于10次，然后根据筛选因子的多空信号等权平均确定综合多空信号。
择时效果稳健，仅依靠基本面信号年化夏普就能达到2.63。即使剔除2020年大跌行情的做空获利，2016至2019年原油择时效果仍然非常显著。
剔除2020年后，各项指标相对比较正常，年化夏普2.5，胜率70%，卡尔玛比率3，盈亏比2.7，为典型的趋势类策略。
其中2017年上半年择时表现较差，尤其是2017年3月至6月，总体大趋势是下跌，但在下跌过程中伴随着反复的反弹，趋势性并不是很好，涨跌转换频率在半个月以内，基本面指标较难准确预测高频的反转（我们模型的基准预测周期是20个交易日）。
动态筛选指标是对预测流程的一个优化，因子的本质是动态变化的，样本外动态筛选指标让预测结果更加稳健。
基本面信号更多是提供了交易方向，进一步结合量价信号可以更好的确定开平、仓点，来提升趋势策略的表现。和《衍生品量化择时系列专题（四）：择时因子组合优化：基于SF的降维预测方法》中一样，结合量价信号SAR来综合共振择时，降低持仓周期提高交易频率来降低回撤。
由于结合量价信号能够及时止盈止损，起到降低回撤、增加收益的作用，策略表现进一步提升，年化收益率101.5%，最大回撤-14.9%，年化夏普3.45，胜率高达77.8%，盈亏比4.19，卡尔玛比率6.81。
剔除2020年后的回测表现更接近原油基本面量化长期的表现，年化夏普在3.16左右，盈亏比2.18左右，但胜率很高达到76%。
除了2017年上半年这段时间表现不佳外，其余时间表现较好。结合量价信号后，最大回撤控制在-15%以内，而实际投资中资管产品往往是多品种、多策略组合，组合后完全可以进一步控制组合最大回撤在-10%。实际交易中，止盈止损往往会在日内完成，因此止盈止损会比回测中更为及时，策略的表现将会进一步提升。
2.2、短周期择时：周度预测
短周期择时是指预测周期在未来5个交易日，即周度周期的择时。短周期的择时更符合CTA交易的需要，信号灵敏度更高。但是越是短周期择时难度越大，短期的价格变动接近随机游走，对原油的短周期择时一个难点是对原油行情数据的趋势过滤。
由于这里是仅从基本面数据出发做的价格预测，因此很多时候入场点或者出场点的判断并不精确，建议在CTA中结合量价信号来综合确定开仓、平仓信号。由于周度预测的信号胜率并不是特别高，我们更建议利用月度预测信号来结合量价信号进行CTA交易，构造胜率较高的择时策略。
短周期择时年化收益率57%，年化夏普1.69，胜率60%，但盈亏比高达3.1，符合趋势策略的特点，策略表现较好但仍有较大的优化空间。
由于原油期货的价格本身趋势性不是很好，基本面短周期择时频繁换仓并没有带来多大的收益，2015年以来最大的收益来自2019年底至今频繁做空原油获得的收益。由于宏观经济波动带来的需求波动，原油每5年左右都会有比较大的行情，最近的几次是2008年、2014年、2020年。
2.3、长周期择时：季度预测
长周期这里指预测未来60个交易日，即季度周期的择时。基本面决定了资产价格在中长期的走势，可以根据基本面量化来判断原油价格当前处于长期的上涨还是下跌周期，可以作为长周期大类资产配置策略的参考。
从多空判断的情况来看，总体与大趋势一致，但是存在行情反转时变化不及时的问题，很多时候当行情转向时，市场交易的不是当前基本面而是对未来基本面的预期。
长周期择时的多空策略表现并不是很好，一般只作为上涨、下跌周期的判断，不作为直接的开平仓信号。
长周期择时信号总体与长周期趋势方向是一致的，只是后期转向时未及时止盈止损导致回撤较大、净值波动较大。长周期择时信号不宜直接作为交易信号，只能作为长周期判断的参考，实际交易中应结合短周期择时信号进一步确定开平仓点。
长周期的择时可以辅助投资者进行短周期CTA的交易，例如起过滤作用，在上涨周期中对做空交易进行一定限制以提高胜率。
2.4、原油择时指标的逻辑解析：基本面量化VS基本面分析
（1）原油择时指标的基本面逻辑
哪些基本面指标对原油有长期稳定的择时效果？基于对多种商品“基本面+量化”综合研究，我们发现不同商品的择时指标有共性也有特性，而原油是代表性品种。
首先，中间生产商的利润率是很多大宗商品基本面分析的重点关注指标。比如在原油产业链上从上游原油到炼厂加工得到汽油、柴油这一过程，由于上、下游博弈的关系，上下游的相对地位强弱不同，针对上游商品成本的变化炼厂调价的弹性也不同，也就是上游成本的上涨主要是由炼厂承担（炼厂利润下降）还是由下游承担（下游商品涨价）。原油是炼厂的成本项，原油价格低时裂解价差就高，炼厂利润相对较好，反之反向，因此其具有较好的择时作用，这与基本面的逻辑一致。
其次，原油的运输贸易类指标也具有较好的择时作用，因为原油的生产、消费往往不在同一地区（美国是例外），二者距离较远非常依赖海运，因此像“中东至中国VLCC运费”有明显的择时作用，在油价较低时，购买方往往会加大购买原油力度，运费也随之水涨船高，今年4月份的情形就是如此。
另外，库存中的浮式油轮库存数据有较好的择时效果。“全球浮式油轮库存”（DZ00036705）单因子过去10年的年化夏普为1.32，“北海地区浮式油轮库存、西非浮式油轮库存、欧洲浮式油轮库存”等数据也有类似的择时效果。库存反映了供需相对强弱的变化，浮式油轮是原油重要的“灵活库存”，是库存数据中变化相对较为灵敏的指标，在行情变化较大时“累库”“去库”往往会边际体现到浮式油轮库存这一数据中。
最后，原油相关的金融市场指标往往也有较好的择时效果。比如CFTC持仓数据，多头持仓增加或者空头持仓减少往往预示着市场在看好原油，因此对后市看涨行情也有明显的预示作用。很多原油交易员都表示CFTC等期货持仓数据有一定的择时效果，经过我们的测算确实如此。“RBOB非商业多头持仓量”（DZ00036554）过去十年的年化夏普为1.13，“ULSD商业空头持仓量”、“ARA取暖油总持仓”也有类似的择时效果。
再比如，炼厂由于主营业务就是原油加工，所以原油裂解价差就是其加工利润率的主要影响因素，因此油价涨跌会极大影响炼厂的净利润，进而影响上市炼厂的股价。Valero、Marathon Petroleum、PBF、Total等相关石油公司和炼厂的股价均有一定的择时效果。
金融市场数据并不是第一手的基本面数据，但在有效的金融市场上，金融市场数据往往反映了市场用真金白银对涨跌投票的观点，对后市的预测效果明显。
值得注意的是，宏观决定了大宗商品在较长周期的走势，比如原油2008年、2014年、2020年大跌，都与宏观经济走弱带来的需求下降有关。但宏观预测的周期太长，只适合长期持有的大类资产配置策略，对CTA类交易没有太直接的指导意义。
（2）基本面量化VS基本面分析：替代还是互补？
我们开发了基本面量化模型，方法的根本逻辑还是统计的逻辑，依靠长时间序列、多维时间序列的“大数定律”来提高预测的准确性、稳定性、稳健性。基本面量化模型的优势在于高频、多维、稳定的预测，以此进行多空择时。
但是，这并不意味基本面量化可以替代基本面分析，部分基本面分析较难量化，主要还是互补关系。比如原油交易员非常关注“EIA库存数据”，库存是大宗商品的重要基本面指标，但库存指标是典型的非线性预测指标，在库存处于相对高位时，油价往往较低，但库存处于正常水平区间时，其变动对价格涨跌影响不大，也就是说库存只有在极值区间时才起作用，因此可进一步考虑非线性预测来进行优化。利用基本面量化可以挖掘很多有择时作用的指标，而其背后的逻辑可能有多个隐含层，类似神经网络，因此在很多时候可以发出领先基本面分析的择时信号。
在我们的择时投研体系中，我们会参照“基本面量化择时模型+量价择时模型+基本面分析”三个维度的分析来综合研判当前市场未来的涨跌情况，其中以“基本面量化择时模型”为主，综合研判后择时胜率大大提高，择时效果更加稳健。“统计学习”+“人工学习”能多维度更全面地解析商品基本面，基本面量化能解决一部分基本面分析中的工作量。
（3）真正的样本外预测：基本面量化在实际投资中的预测效果如何？
基本面量化的实际预测效果，和股票多因子一样，依赖底层的单因子择时效果是否准确、稳定，一般而言有5-10个长期稳定的因子，基本就可以做到预测比较有效。
我们在2020年5月8日的量化择时月报《量化择时月报：基建发力基本面转好，焦炭看涨》中成功预测了焦炭的上涨行情，随后焦炭在1720-1750价位经历3天震荡行情后开启连续上涨，并在6月1日突破1900关口。其中也有基本面的分析，我们早在2月的热点报告中就预测黑色系将随着经济刺激方案的基建加码而出现一波上涨行情，4月份以来黑色系的强势主要就是基建带来的需求驱动，随后山东限产的供给收紧进一步推动了行情。而在2019年10月我们也成功预测了焦炭的大跌行情，2020年1-4月模型以看跌信号为主，基本与行情相一致。
在2020年5月15日成功预判Brent原油的短期上涨行情，原油20至30美元众所周知是历史低位，但关键问题是会在底部震荡多久，何时才能开启上涨行情，5月22日的最新预测结果中众多基本面指标转为看涨，原油可能已经迎来了2019年底大跌以来的周期性拐点，基本面量化提供的基本面高频预测信号领先市场窥得先机。
2
基本面量化择时：汽油
汽油、柴油是日常消费量最大的两种成品油，跟原油属于上下游的关系，其价格跟原油涨跌相关性较高。
成品油的价格也是很多能化产业链企业关心的问题，原油价格的变动往往会带来成品油现货价格的波动，在此我们尝试对汽油价格进行预测，以帮助实体企业更好地在生产中应对、利用成品油的价格波动。基于对汽油的价格预测，可以轻松帮助企业节约成本、创造利润，有效控制成品油的价格风险。
3.1、汽油价格预测
汽油是居民消费较多的成品油，也是贸易商、零售商等现货经营利润较高的品种，汽油价格很多时候变动剧烈，而企业为了降低进货成本需要对汽油现货价格进行择时。
考虑这样一个成品油终端零售企业的案例，该企业以加油站销售汽油、柴油给零售客户为主业，有一定的现货库存能力，而由于油价很多时候行情涨跌变化较快，因此其需要对汽油价格未来的涨跌进行预测，以确定什么时机囤货来降低进货成本。该企业每天出售汽油1000吨左右，库存周转周期5至10天，由于每天消耗库存1000吨，基准情形下可以每天进货1000吨来补充库存，但如果我们能够预测汽油价格未来的涨跌，在价格将上涨时提前进货，在价格将下降时延后进货，可以极大降低进货成本，进而为企业创造不小的利润。
核心仍然是预测汽油价格未来的涨跌，比如每周五预测下周的涨跌情况，如果看涨则在周五下订单一次性订未来7天的货，这样会比未来7天每天订一次货的平均成本更低。这里我们对汽油现货价格进行涨跌预测，然后根据预测值进行多空交易回测，以检验多空信号的择时效果如何，最后简单测算一下油价预测给企业带来的实际经济效益。
汽油、柴油价格与国内Brent原油成本价涨跌相关性很高（中国原油主要依赖进口），其差值反映了炼厂的利润。现货价格在不同地区存在一定的差异，这里选取山东地区的柴油、汽油带票均价（山东地方炼厂的挂牌均价）作为本文需要预测的现货价格，现货价格数据来自隆众资讯。
由于实体企业在价格看涨时提前囤货来降低成本较容易实现，而现货做空需要有一定的现货库存“底仓”，况且基本面量化模型在做空行情中表现很好，这里我们重点关注看涨行情的择时效果如何。同时由于实体企业对亏损特别敏感，这里对基本面量化模型以高胜率、低回撤为目标进行了优化。对筛选出的单择时因子信号进行等权组合，可以得到综合择时信号，以此进行历史多空回测以检验其择时效果。
和原油择时一样，每20个交易日动态筛选指标进行预测，筛选标准为单因子过去5年回测年化夏普高于1.2、胜率高于50%、交易次数高于10次。
总体而言，多空交易的净值表现很稳定，回撤较小，年化收益率51%，最大回撤-7.5%，夏普比率5，胜率高达77%，盈亏比5.79，卡尔玛比率6.91。
择时信号历史表现较好，抓住了大多数趋势性行情，而且判断错误、未给出信号的比例均较低，基本面量化模型对行情预测的准确率很高。
简单测算一下基本面量化给企业带来的经济效益。按照每天出售1000吨汽油、汽油价格在大约6000元/吨的数量级，那么这里仅多头择时就能实现年化20%左右（多空年化收益51%）的收益，一年能够实现盈利840万元左右，假设该企业每年支出40万元用于汽油基本面量化研究相关的费用，那么每年仍有800万的净利润。
3.2、基本面量化中的价格预测：现货VS期货
从价格变动的相关性来看，汽油现货价格变动主要受原油价格变动的影响，而国内原油现货价格主要根据Brent期货来定价。因此，汽油和Brent油价变动的相关性很高，但通过择时研究我们发现对现货价格择时的效果要远远好于期货。为什么呢？
在金融资产定价中，资产价格是指金融资产的价格，期货和股票一样也是金融资产，实证资产定价的诸多结论也同样适用于期货，比如短期期货价格的随机游走属性很强，但这些规律并不适用于现货价格。我们研究发现现货价格更容易预测，而且现货价格的趋势性很强，“噪音”含量更低，更容易提
取有用的预测信号，其中最明显的就是现货价格的量价信号更容易挖掘、表现更好。
很多原油产业链客户都需要对原油、汽油、柴油等现货价格进行预测，以方便其更好地安排生产、囤货、销售等环节，我们将为有需要的客户提供多品种、多周期的高频预测。目前现货市场对价格进行专业预测的机构较少，利用我们的基本面量化模型对现货价格预测的有效性很高，在本报告对汽油现货自2016年以来的预测中，多空回测的年化夏普比率超过了4，年化收益率超过50%，最大回撤仅-7.5%左右，价格预测的效果非常好。
基于完善的产业链基本面数据库以及开创性的基本面量化择时模型，我们针对原油、汽油、柴油等能化品期货、现货价格提供多品种、多周期（长、中、短周期均可预测）的精准预测，欢迎有需要的客户与我们联系。
4
总结
自基本面量化专题第一篇《基本面量化择时之单指标筛选—以焦炭为例》中构造单择时因子以来，我们在系列报告中构建、优化、完善了基本面量化择时的方法体系，通过对黑色、能化、有色、油脂、农产品等期货品种的基本面量化研究已经证明了方法的可行性、可靠性、先进性。
进一步对股票（股指、行业指数、主题指数、个股）、债券（国债、信用债）、波动率（股指实际波动率、期权VIX）我们也发现了诸多有较好预测效果的因子，基本面量化的优势明显。
基本面量化模型解决了资产价格日线级别的择时问题，择时效果稳健，多个期货单品种的策略年化夏普在3以上，通过多个品种配置的商品择时组合可以实现年化夏普5以上，卡尔玛比率5以上，以控制波动率15%、最大回撤-10%来控制风险敞口，可以实现年化收益50%以上。基本面量化就是期货中长期CTA策略的解决方案。
基本面才是驱动资产价格的本质规律，应用基本面量化方法可以从基本面数据出发预测未来的价格，模型对原油期货趋势性方向判断准确率在90%以上。在Brent原油期货上的择时策略年化收益高达101.5%，夏普3.45，胜率77.8%。在汽油现货的择时表现上非常优异，年化夏普比率超过4，最大回撤仅在-10%以内。
Brent原油期货：月度价格预测，2016年以来样本外多空回测年化收益率101.5%，最大回撤-14.9%，年化夏普3.45，胜率高达77.8%，盈亏比4.19，卡尔玛比率6.81。
汽油现货：2016年以来样本外多空回测年化收益率51%，最大回撤-7.5%，年化夏普比率5，胜率高达77%，盈亏比5.79，卡尔玛比率6.91。
建议机构投资者利用基本面量化的预测信号进行原油期货择时，辅助CTA、大类资产配置等策略中对原油趋势性机会的判断，原油择时策略年化夏普高达3.45。
建议实体企业利用基本面量化对汽油、柴油现货价格的预测更好地安排相关生产活动，基本面量化模型对现货价格预测的准确性很高，仅根据做多信号进行囤货就能实现年化20%以上的收益。
东证期货具有完善的商品产业链基本面数据库—“繁微数据（www.finoview.com.cn）”（涵盖目前市面上所有主流数据库数据，仅原油基本面数据就高达近千种），以及市场领先的基本面量化择时模型（系统化择时方法体系），能对多个大宗商品的期货、现货价格实现多周期预测，更好地满足金融机构资产价格择时、产业机构商品价格预测的需求，欢迎有价格预测需求的客户与我们联系。
我们对基本面量化预测的结果进行了样本外跟踪，以周报、月报的形式发布预测结果。从对焦炭样本外跟踪结果来看，多数时间精准预测了趋势性行情，包括2019年10月的大跌，以及2020年5月8日精准预测焦炭等黑色系的上涨。对Brent原油的最新预测结果，2020年5月15日短期信号看涨，2020年5月22日进入多信号全面看涨，预测原油将进入上涨行情，原油可能已经迎来了2019年底大跌以来的周期性拐点。
5
风险提示
（1）极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。