量化模型与构建方式 1. 模型名称：基于PCA的大宗商品追踪框架[1] * 模型构建思路：利用主成分分析（PCA）方法，对大宗商品历史价格变动进行“逆向工程”，剥离出主导市场共振的核心独立因子，并用具备领先性的实体经济指标进行替代与重构，最终合成一个相互独立、具备预测价值的大宗商品趋势监测与追踪框架。[1][15] * 模型具体构建过程： 1. 数据准备：选取涵盖黑色、有色、能化三大工业品板块的9个核心大宗商品品种，提取其在2012年2月至2026年5月期间的历史价格数据，并计算月度同比收益率序列。[16] 2. 主成分分析（PCA）：对标准化后的收益率矩阵进行主成分分析，提取前三大主成分（PC1、PC2、PC3）。[16] 3. 因子识别与解释：根据载荷矩阵，将PC1解释为全球宏观总量共振与需求Beta因子，PC2解释为中国实物工业需求因子，PC3解释为全球微观供给冲击因子。[19][24][27] 4. 基本面因子重构：针对每个主成分，筛选具有因果领先性的中高频指标，通过特定加权方法合成对应的基本面因子（流动性因子、国内需求因子、供给冲击因子）。[1][2] 5. 框架合成：将三个重构的基本面因子合成为一个统一的监测框架。[1] 2. 因子名称：流动性因子（对应PC1）[1][31] * 因子构建思路：针对代表全球宏观需求总量的PC1，构建基于流动性与信用扩张的金融因子，以解决数据预测领先性问题，而非使用同步的景气度指标。[31] * 因子具体构建过程： 1. 指标选择：选取美元5Y-5Y通胀掉期远期同比与美债高收益信用利差（OAS）同比。[32] 2. 权重优化：对数据进行月度化处理，取月平均同比值。以0.1为等步长，扫描通胀预期权重 $$w_1 \in [1,2]$$ 与OAS权重 $$w_2 \in [-1,0]$$ 的二维网格，目标是最大化复合因子领先1个月对CRB工业原料同比的预测相关系数，且满足 $$w_1 + w_2 = 1$$。[39] 3. 权重确定：最终选定 $$w_1 = 1.3$$, $$w_2 = -0.3$$ 为组合权重。[39] 4. 因子合成：对通胀预期和OAS进行一阶差分，并Z-score标准化，按优化权重合成环比系列。[41] * 因子评价：在Granger因果检验下表现出对大宗商品周期强烈的领先预测价值。[1][41] 3. 因子名称：国内需求因子（对应PC2）[2][46] * 因子构建思路：针对代表中国重工业与投资驱动周期的PC2，通过上游资金端、中游物流端、下游终端三个维度，筛选能直观映射实物工作量的中高频微观指标，以捕捉中国实体工业需求的周期性波动。[46] * 因子具体构建过程： 1. 指标选择：筛选出30大中城市商品房成交面积、铁矿石进口日均疏港量、中国M1同比三大核心高频指标。[46] 2. 领先时滞确定：采用领先相关性衰减法分配权重。以南华工业品指数月均同比为目标，在0至6个月的领先时滞内进行回测，寻找全部指标均显著的领先阶集合S。[49] $$S=\left{L\in[0,L_{\mathrm{max}}];{\Bigm|};\forall i\in{1,\ldots,N},;p{\mathrm{-}}{\mathrm{va}},1,{\Big(}\rho{\big(}X_{i,t-L},Y_{t}{\big)}{\big)}<\alpha\right},\alpha;=;0.05$$[49] 3. 基准指标与最终时滞：以整体相关性最高的基准指标（中国M1同比）的波动峰值确定最终时滞 $$L^{}$$。[49] $$\begin{array}{r l}{{X_{\mathrm{anchor}}=\arg\operatorname{max}{X{k}}\operatorname*{max}{L\in[0,L{\mathrm{max}}]}\left|\rho\big(X_{k,t-L},Y_{t}\big)\right|}}\ {{}}&{{L^{}=\arg\operatorname{max}{L\in S}\left|\rho\big(X{\mathrm{anchor},t-L},Y_{t}\big)\right|}}\ {{}}&{{L_{i}^{}=L^{}\quad(\forall i\in{1,\ldots,N})}}\end{array}$$[49] 4. 权重计算：第i个指标的权重计算公式为： $$\omega_{i}=\frac{W_{r a w,i}}{\Sigma_{k=1}^{N}|W_{r a w,k}|},;;W_{r a w,i}=r_{i}^{}\times(L_{i}^{}+1);;,;;\Sigma_{i=1}^{N}|\omega_{i}|=100%$$[49] 5. 结果：确定三个指标的统一滞后阶数为Lag 6，并计算出最终权重：中国M1同比（47.6%）、铁矿石日均疏港量（28.5%）、30大中城市成交面积（23.9%）。[49][51] 6. 因子合成：将标准化处理后的各指标特征进行动态加权合成。[52] * 因子评价：该因子在控制中长期的最大回撤上有着较好的表现。[2] 4. 因子名称：供给冲击因子（对应PC3）[2][60] * 因子构建思路：针对代表大宗商品市场供给驱动力的PC3，构建基于全球海运物流成本、地缘政治风险溢价与中游炼厂微观边际利润的因子，以监测供给弹性的边际变化。[60] * 因子具体构建过程： 1. 指标选择：选取原油运输指数（BDTI）和美湾3-2-1裂解价差。[60][61] 2. 权重分配：以南华能化期货指数同比作为主要目标锚定序列，计算底层指标与目标序列的当期Pearson相关系数，并采用归一化相关性绝对值进行加权。[66] 3. 权重确定：美湾裂解价差绝对同比差分权重为56.36%，原油运输指数权重为43.64%。[66] 4. 因子合成：按上述权重对标准化后的指标进行加权合成。 * 因子评价：该因子在回撤控制上的表现一般，也凸显了供给冲击的不可预测性。[2] 模型的回测效果 1. 基于PCA的大宗商品追踪框架（三因子投票共振择时策略），年化收益3.92%，年化波动7.33%，最大回撤-18.61%，夏普比0.54，卡玛比0.21，月度胜率51.02%，盈亏比1.43[72][75] 2. 基于PCA的大宗商品追踪框架（三因子投票共振择时策略-2票做多），年化收益3.37%，年化波动6.09%，最大回撤-13.37%，夏普比0.55，卡玛比0.25，月度胜率56.36%，盈亏比1.36[72][75] 3. 基于PCA的大宗商品追踪框架（三因子投票共振择时策略-3票做多），年化收益2.46%，年化波动2.94%，最大回撤-0.98%，夏普比0.83，卡玛比2.51，月度胜率71.43%，盈亏比6.66[72][75] 因子的回测效果 1. 流动性因子（单因子择时-CRB工业品），年化收益4.68%，年化波动5.88%，最大回撤-11.24%，夏普比0.8，卡玛比0.42，月度胜率57.63%，盈亏比1.65[80][84] 2. 国内需求因子（单因子择时-南华黑色），年化收益9.59%，年化波动12.04%，最大回撤-10.88%，夏普比0.8，卡玛比0.88，月度胜率68.09%，盈亏比1.24[81][84] 3. 供给冲击因子（单因子择时-南华能化），年化收益7.46%，年化波动17.67%，最大回撤-27.45%，夏普比0.42，卡玛比0.27，月度胜率50.82%，盈亏比1.52[81][84]