“该策略利用商品、股指、固定收益和外汇期货。它根据历史数据计算预期回报，并采用多空策略，每月等权重再平衡头寸。”
资产类别: 差价合约、期货 | 地区: 全球 | 周期: 每月 | 市场: 债券、大宗商品、货币、股票 | 关键词: 基差指标
I. 策略概要
投资范围包括商品（28种）、股票指数（12种）、固定收益（18种）和外汇（7种）的65种期货合约。市场i在时间tau的基差计算为现货价格与期货合约之间的对数差，通过乘以365并除以两个期货合约到期日之间的天数进行年化。计算历史平均回报、平均基差和最新基差。该策略使用受限回归（其中预测变量的权重为非负）来估计斜率系数。也可以考虑使用朴素预测器（历史回报、基差和最新基差的平均值）或简单回归。该策略涉及做多预期回报高于横截面均值的证券，并做空回报低于均值的证券。该投资组合采用等权重，并每月重新平衡。
II. 策略合理性
该论文研究了基于基差（现货价格与期货合约之间的差异）的未来回报预测因子。它探讨了三种使用单个证券信息的朴素预测因子，并发现汇总证券信息可以改善预测。朴素预测因子对66%至77%的证券显示出正的样本外R平方值。该研究还将这些朴素预测因子与包含横截面信息的更复杂的受限预测因子进行了比较。受限预测因子的表现与朴素预测因子相似，但其权重是经过校准而非固定的。该论文表明，虽然受限回归方法有效，但像朴素预测因子III这样更简单的方法可能更实用，可用于预测未来回报。
III. 来源论文
Predicting Out-of-Sample Returns: Using Basis to Beat the Historical Average [点击查看论文]
- Marat Molyboga
<摘要>
本文介绍了一种自适应预测模型，该模型在大宗商品、股票、固定收益和外汇四大资产类别中整合证券间的信息，同时对收益预测中系数的符号和幅度施加限制。研究表明，现货与期货合约之间的基差能够预测不同资产类别的未来收益。该预测模型在整个样本外期间（1986年1月至2016年12月）持续优于历史平均水平，样本外中位数月度R²约为0.36%，与 Campbell 和 Thompson（2008）提出的最佳股票风险溢价预测指标相当。基于这一新预测模型的简单多空策略，在所采用的资产定价模型下实现了每年2.5%至4.5%的样本外阿尔法（Alpha），并取得了接近0.5的样本外夏普比率（Sharpe ratio），这一表现尤为显著，因为该策略具有反周期特征。该表现在不同子期间、市场环境、投资组合构建方法以及交易成本下均表现出稳健性。横截面结构分析进一步揭示，两个可观测的共同因子（分别构建为金融资产和大宗商品基差的等权重指数）与短期利率和商业周期密切相关。
IV. 回测表现
| 年化回报 | 3.78% |
| 波动率 | 7.67% |
| β值 | N/A |
| 夏普比率 | 0.49 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
