报告行业投资评级 未提及 报告核心观点 - 同品种不同合约基差的有效因子有显著区别，印证各合约交易群体、交易偏好不同 [4] - 不同时间段下的有效因子、相同因子的相关性均有差异，表明不同市场环境下影响基差的因素不同 [4] - 截面因子模型与时间序列模型相结合对预测效果有一定提升 [4] 根据相关目录分别进行总结 基差预测模型的延申与优化 - 在前序报告基础上，对预测各环节拓展完善，包括加入新因子并调整入选标准、固定因子改滚动筛选因子、单合约拓展至全合约预测、加入时间序列模型构建多模型融合预测体系 [10] 因子增添与筛选 - 从资金行为角度探究两类因子与基差相关性，一类用不同ETF份额和市值代表市场风格，一类用华泰CFTI席位分类数据代表不同客户群体 [11] - 大部分ETF份额、市值与基差有显著相关性，进取型ETF与基差负相关，稳健型ETF与基差正相关 [12][14] - 部分CFTI类因子与基差有显著相关性，零售净持仓与基差正相关，机构净持仓与基差负相关 [16] - 增添期货收益率、波动率等因子，构建因子相关性矩阵，筛选高度相关因子对，保留与基差相关程度更高的因子提升模型稳健性 [17] 滚动筛选因子 - 将原有静态固定因子选取方式调整为滚动窗口动态因子筛选，提升模型在不同市场环境下的适应性 [18][19] - 滚动测试中某些因子相关性变化大，不同时间段有效因子不同，反映市场对冲工具结构、多空供需格局等对基差的影响变化 [20][21] - 机器学习模型最终入选的有效因子也随时间动态变化，预测时去除Importance值过高的因子防止模型失衡 [22][24] 全合约预测 - 将预测对象由单一合约拓展至全合约，保留对市场整体基差特征刻画的同时，实现对各合约基差走势的精细化研判 [25] - 不同合约基差的有效因子差别大，当月合约更具短期投机属性，受短期博弈影响大；当季合约更具中长期对冲属性，与市场投资风格及对冲需求强弱更相关 [27] 多模型融合 - 在原有截面因子模型基础上引入AR时间序列模型，形成截面信息+时序特征的双重预测逻辑，采用滚动窗口框架进行模型训练与回测，并同步执行滚动因子筛选与模型参数动态调优 [28] - 各模型在IC不同合约上表现有差异，时间序列模型方向准确度整体优于其他模型，线性回归模型弱于非线性模型，近月合约方向预测准确性更高，随机森林模型预测精度整体更优 [32][36] - 4模型结合后，IC各合约平均预测MSE约为0.0374，平均方向准确率约为61%；IH各合约平均预测MSE约为0.0282，平均方向准确率约62.46%；IF平均MSE为0.0274，平均方向准确率约61.29%；IM预测效果略低于其他品种，4模型结合后精度约为0.0525，方向准确性约为60.64% [38][40][48][50][51] 总结 - 对基差预测各环节拓展完善，包括加入新因子等四点内容 [65] - 以IC为例，不同合约基差与因子相关性有显著差别，近月合约偏投机，远月合约偏对冲，近月合约方向更易预测，远月预测值偏差更小 [65] - 因子相关性随时间变化，滚动筛选方式在不同合约、品种上效果不同 [65] - 时间序列模型方向准确性较好，机器学习模型预测精度更优 [65]

时间序列模型的核心架构演进 - 时间序列模型（如LSTM、GRU、Transformer）通过门控机制或自注意力结构解决长期依赖问题，其中GRU通过精简的更新门与重置门提升运算效率，更适合实时预测场景 [1][2] - Transformer通过自注意力机制和位置编码实现序列建模革新，在多维时序数据分析中展现并行化优势，但参数量大易导致过拟合 [2][5] - 公司提出AttentionGRU(Res)模型，结合轻量化自注意力、残差结构和GRU，兼顾序列学习能力与样本外稳定性，全市场年化超额收益超30% [6][40] 时序因子与截面因子的模型表现对比 - 测试159个截面因子和158个时序因子（Alpha158）显示：截面因子单因子表现更优（多头超额11% vs 时序因子1%），但时序因子在RNN/LSTM/GRU模型中样本外表现更佳（ICIR均值1.02，为截面因子模型两倍） [4][21] - 时序因子模型样本外多头超额收益达7.6%，显著高于截面因子模型的1.3%，且时序因子ICIR分布更集中 [4][21] - 时序模型的结构特性（如循环连接、门控机制）与时序因子的动态关联性高度匹配，增强了对历史序列特征的保留能力 [8][9] 时序模型优化方向与效果 - 对GRU的门结构优化（如BiGRU、GLU）提升有限：BiGRU样本外ICIR仅提升0.01，多头超额收益增加2个百分点 [27][28] - Transformer样本内效果显著但样本外过拟合，因其参数量过大；AttentionGRU(Res)通过简化自注意力结构和残差连接，样本外年化超额收益达12.6%，中证1000泛化测试超额10.8% [33][34][46] - 残差结构（Res）改善梯度传递问题，自注意力机制动态聚焦核心时序节点，两者结合使模型参数减少50%仍保持长期依赖捕捉能力 [35][36][38] 关键模型性能数据 - AttentionGRU(Res)在全市场测试中IC均值7.38%、ICIR 1.09，多头超额收益12.64%，最大回撤8.41%，胜率80.21% [41] - 传统GRU模型对比：IC均值6.51%、多头超额7.18%，最大回撤5.36%，显示优化结构显著提升收益稳定性 [34][41] - 中证1000泛化测试中，AttentionGRU(Res)多头超额10.8%，优于Transformer（9.0%）和基础GRU（3.47%） [46][47]