宏观因子择时 Online learning

Online Learning ，期采用当期能够获得的所有信息拟合模型，预测下一期市场收益。

利用所得预测收益进行操作，若 E(rt+1)大于一定门槛值则持有沪深 300ETF ，否则空仓。

思路导图：



增加了可以考虑的宏观指标，并修改成 online learning 策略：

实体经济指标： PMI(采购经理人指数)
物价水平指标： CPI(消费者价格指数)、 PPI(生产者价格指数)
货币财政指标： M1(狭义货币量)、 M2(广义货币量)
居民消费能力： Inc1(城镇居民实际可支配收入同比)、 Inc2(农村居民实际可支配收入同比)

提供思路，结果很悲催，可能是更新频率或是回归方法没有考虑时间序列相关性，之后可以改成 Feasible GLS 试试。



思路整理：

筛选对于市场波动有一定预测能力的指标，备选：


实体经济指标： PMI(采购经理人指数)
物价水平指标： CPI(消费者价格指数)、 PPI(生产者价格指数)
货币财政指标： M1(狭义货币量)、 M2(广义货币量)
居民消费能力： Inc1(城镇居民实际可支配收入同比)、 Inc2(农村居民实际可支配收入同比)

Online Learning ，每期采用当期能够获得的所有信息拟合模型，预测下一期市场收益。
利用所得预测收益进行操作，若 E(rt+1)大于一定门槛值则持有沪深 300ETF ，否则空仓。



所用模型：

[R_t = \beta_0 +\beta1 PMI{t-1}+\beta2 CPI{t-1}+ \beta3PPI{t-1}+\beta4 M1{t-1}+\beta5 M2{t-1}+\beta6 Inc1{t-1}+\beta7 Inc2{t-1} + \epsilon_t]

参数从左至右分别为： t 月股指收益率、 t1 月 PMI 同比增长率、 t1 月 CPI 同比增长率、 t1 月 PPI 同比增长率、 t1 月 M1 同比增长率、 t1 月 M2 同比增长率、 t1 月城镇居民实际可支配收入同比、 t1 月农村居民实际可支配收入同比；

滞后期选择是根据数据的获得时间， PMI 数据在每月月初公布，而其他宏观数据在每月月中公布。另外，城村居民实际可支配收入每季公布，在这里调整至月度，每月采用可获得的最近公布值。



实战演练！

引入工具包并定义全局设定：


选一只上市时间长的 ETF 测试择时效果：

传送门： https://uqer.io/community/share/584029ee228e5b49ee4ace33

用到的宏观数据指标是：

传送门： https://uqer.io/community/share/584029ee228e5b49ee4ace33

获取每月指数行情数据：


数据组合与处理：








结论与优化：

参考了宏观因子择时策略，然而改为 online learning 后结果堪忧，看来是更新频率需要优化；
另外，之后可以考虑采用 Feasible GLS 方法来消除时间序列自相关的问题。






原文传送门请猛戳： https://uqer.io/community/share/584029ee228e5b49ee4ace33