“该策略投资于14种货币，使用基于国家和全球因素的预测模型，通过均值-方差优化来优化权重，并每月重新平衡以进行系统性超额回报预测。”
资产类别: 差价合约、远期、期货、掉期 | 地区: 全球 | 周期: 每月 | 市场: 外汇 | 关键词: 机器学习、套利
I. 策略概要
该策略侧重于14个国家的货币，1999年后德国、意大利、法国和荷兰转向欧元。国家特定特征包括通货膨胀、失业率、收益率差异、市场指标和特殊因素。全球变量包括经济和货币政策不确定性、地缘政治风险、宏观不确定性、全球货币波动性、非流动性和相关性。
面板预测回归模型通过国家特定预测因子与其历史均值的偏差，并与全球变量相互作用，来预测汇率变化。弹性网络估计参数，而样本外预测则预测货币超额回报，计算方法是一个国家的政府票据收益率、美国票据收益率与预测汇率变化之间的差额。
超额回报的方差-协方差使用衰减参数为0.94的指数加权移动平均线进行估计。权重通过均值-方差优化得出，旨在最小化风险同时最大化回报，如目标函数所定义。投资组合每月重新平衡，利用国家和全球预测因子进行系统性货币投资决策。
II. 策略合理性
“智能”套利策略通过纳入汇率的预测变化来增强经典套利交易，解决了可能导致损失的货币升值风险。历史上，由于美元升值造成的损害有限，传统套利交易在危机前产生了稳定的回报。然而，在全球金融危机期间，美元大幅升值导致频繁亏损，使得传统套利交易在近期变得不可靠。智能套利策略考虑了可预测的汇率变化，提供了超额回报的更准确近似值，并优于传统方法。这种改进在全球危机期间变得尤为重要，当时传统模型失败了。结合机器学习技术来缩小预测变量的维度可以避免过拟合，这是传统OLS方法无法实现的，从而确保了模型在现代市场中的实用性和盈利能力。
III. 来源论文
The Rise and Fall of the Carry Trade: Links to Exchange Rate Predictability [点击查看论文]
- 伊利亚斯·菲利波（Ilias Filippou）、大卫·拉帕赫（David Rapach）、马克·彼得·泰勒（Mark Peter Taylor）和周国富（Guofu Zhou），圣路易斯华盛顿大学，亚特兰大联邦储备银行，圣路易斯华盛顿大学，经济政策研究中心（CEPR），圣路易斯华盛顿大学
<摘要>
本文基于捕捉国家特征、全球变量及其相互作用的基本预测因子，建立了月度汇率的短期、样本外可预测性。以前的工作已经显示出长期但不是短期可预测性的证据，原因是未能充分捕捉时间变化和非线性，并且只使用了一小部分基本变量。通过采用允许时间变化、非线性和广泛经济基本面的机器学习技术，我们能够持续显著地优于随机游走基准。在经济衰退和危机期间显示出更强的可预测性，这与基本面和非基本面、技术交易者相互作用的异质代理模型一致。基本面预测也具有经济价值，提高了外汇投资组合的表现，特别是在全球金融危机之后套利交易投资组合盈利能力下降时。从资产定价的角度来看，我们还表明机器学习预测提供了货币风险条件价格的合理解释。
IV. 回测表现
| 年化回报 | 8.06% |
| 波动率 | 12.8% |
| β值 | N/A |
| 夏普比率 | 0.63 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
