【无需打开直接搜索微信;操作使用教程:


1、界面简单 ，没有任何广告弹出
，只有一个编辑框 。

软件介绍:
1.99%防封号效果,但本店保证不被封号.2.此款软件使用过程中,放在后台,既有效果.3.软件使用中,软件岀现退岀后台,重新点击启动运行.4遇到以下情况:游/戏漏闹洞修补
、服务器维护故障、政/府查封/监/管等原因,导致后期软件无法使用的.

收费软件,非诚勿扰 .正版辅助拒绝试用!

本公司谨重许诺!假一赔十!无效赔十倍!十天包换!一个月包退,安装即可.

【央视新闻客户端】

　　来源：紫金天风期货研究所

　　CTA天气量化专题：降水预期差因子

　　——行业首个用“天气预报”赚钱的CTA？

　　紫金天风期货研究所 量化组2025年3月11日

　　摘要

　　我们本文提出一种新奇的cta天气因子——“降水预期差 ”，利用我们强大的天气预测数据库。相比仅用历史降水 ，夏普比从0.3提升至0.8 。该天气投资组合覆盖海内外11个大宗商品期货
，近年表现亮眼
。

　　背景。我们阐述研究商品天气因子的动机，为什么是降水 ，为什么要做外盘 、多品种以及相关工作回顾 。

　　天气数据。我们的降水预测数据是什么形式？简要说
，T覆盖到T+15，精细到全球各地数千个地区
。该快照数据长度已经超过3年 ，每日更新。

　　天气量化 。核心是定位全球44个大宗商品主产区的降水预测作为模型变量
。我们构建了一个普适的
、日度的、内外均衡的天气cta因子。

　　表现 。降水预期差因子提升11个大宗商品中的8个夏普比
，组合上夏普翻倍至0.8，年化收益9.6% ，同期历史降水年化仅1.9%
。今年以来其收益超4%，近一年11%。

　　风险提示：过去业绩不代表未来 、因子投资失效等 。

　　本文核心在于第二部分“天气量化
”
。第三部分会是组合和分品种表现的展示与讨论。

　　背景

　　传统基本面对于大宗商品变量的研究有基差
、库存、现货等等
，这些在业界的研究比比皆是，然而因子“数量”上的有限导致对应的cta策略极易发生踩踏 。本文我们引入一个天气因子——降水预期差 ，借助我们强大的天气预测数据库
，来拓展我们在基本面量化cta领域的边界
。

　　首先，为什么是降水。它有普适性 ，大部分与天气交易相关的商品都需要看降水 。但与此同时
，气温却不是，并且其需要极端性 ，换句话说
，气温的样本点会比降水少很多。气温可能需要更为复杂的映射
。

　　为什么需要做外盘。理由非常简单，多数天气因子的定价都在外盘（比如美国棉花是“看天吃饭 ” ，而国内棉花属于精耕细作） 。当然
，部分内盘也会受国外产区天气的影响
。我们的组合整体内外均衡，5个内盘 ，6个外盘，共计11个。

　　相关工作方面
，我们早前提出过一种棉花天气因子：使用内棉产区的气温 。缺点，正如我们上述所言 ，并且没有使用预测数据
。同时
，仅一个商品的天气投资不能说明太多问题——本篇工作拓展了天气因子的应用到超过一个农产品板块，且无缝衔接到传统cta投资 ，同时强调了降水预测的重要性以及模型鲁棒性。

　　天气量化

　　目前
，我们天气量化系统的核心，在于数据上的处理 ，而非模型本身 。

　　数据层面
，我们建立了一个已超过3年的覆盖全球数千个地区的日度天气预测数据库
。以某地区T日为例，对应预测数据则会从T到T+15 ，即未来15天的天气预报（气温/降水等）。而同样的地区
，我们也拥有对应的历史天气 。

　　我们的模型对选择何种预测数据（GFS/EC）并不敏感，这里采用GFS ，它是全球公认的顶尖天气预测系统之一
。这些客观数据中，历史降水可以从路透一次性获取数年
，而预测快照数据需要每日存储 、清洗（天气预报是动态的，我们这个工作从21年开始。）

　　那么降水预期差 ，顾名思义
，用历史降水减去预测降水 。在具体处理方面，针对某商品标的 ，我们选择其不同主产区的预测降水的平均
，再求和来获得其降水预测。在地区选择方面，我们要求对应产量占比之和尽可能大
。事实上 ，大部分商品的产能是较为集中且常年不变的
，比如白糖之于巴西圣保罗（65%），因而 ，在这个重要环节
，我们是比较容易确定对哪些地区建模的。最终，我们一共建立了44个全球各地的降水预测序列 ，分布在11个大宗商品上，如下 。

　　注意
，这里产区界定我们主要依据是历年产量占比，但是也有间接的 ，比如铝是依据水电分布
。内盘方面
，我们包含5个品种（铝/橡胶/20号胶/棕榈油/花生），占比45% ，实际上这是一个内外均衡的组合。

　　加上历史降水
，我们就获得了所有品种对应降水的预期差序列 。为了契合传统CTA投资，我们直接建立预期差的均线策略（10x40） ，换句话说
，若降水超预期走强，我们做空对应商品期货 ，反之做多
。对于木本植物
，我们反其道。我们的天气策略在所有标的上“always in the market
” 。

　　模型对参数方面不很敏感，在短端我们的模型表现较弱（但仍有正夏普） ，我们认为降水在这一点上有商品基本面的性质
。我们不再作任何额外的策略，为的是投资者易于复现
，同时理解天气数据的溢价。下面一节我们进入绩效讨论 。

　　表现

　　我们交易的11个商品期货各权重始终为1，不考虑交易成本 ，用各主力收盘价
。回测时间从2010年开始
，注意降水预测数据是从21年8月开始，从这里开始是我们关心的部分 ，之前则用历史降水作替代。我们看长一些的目的也在于
，降水历史本身也能带来长期收益，尽管跌宕起伏 。

　　先看单品种 ，夏普多数提升
，并且还将两个负夏普转为非负（白糖和铝）。从绝对数值上看，大豆/玉米和橡胶的夏普更高
。我们最后一列是“超额” ，即使用降水预期差因子减去历史降水因子
，我们也看到多数有提升，其中大豆/白糖/菜籽更有优势。内外盘方面 ，表现差别不大 。

　　接着是组合，我们的降水预测超额显著
，将“基准 ”夏普从0.32提升至0.79，巨大的提升 ，稳定性方面也有0.38
。其次
，我们强调交易的品种选择并不基于策略表现，而是单纯基于理论。我们还额外测试了个别国内农产品 ，它们的表现也有正夏普
，技术上加入它们，也许还能提升表现 。

　　这里介绍一下模型的交易频率
。日度。在持有期方面 ，我们所有品种的平均持仓期是8天
，最短7天，最长10天 。可以看到 ，虽然降水可能被很多人认为是一个
，要么短期大于某个水平稳定，要么长期为0的数据 ，但真相不是这样，在大宗商品赖以生存的
、全球那些数十个产区上
，降水是一个“高频
”的，十分有意义的客观变量
。

　　在最后 ，我们展示一个分品种的降水预期差因子表现（组合即是这些的平均）。可以看到
，我们的模型在不同品种上的收益分布也相对均匀 。其中需要注意白糖，其在22-23年间存在一段预测数据缺失（因Minas Gerais和Goias）
。

　　总结

　　至此 ，讨论结束。我们看到了一个相对完整的天气因子——使用全球44个地区的客观的、降水预期差
，交易11个海内外商品期货的趋势，其有正夏普 ，也看到了相比仅用历史降水的巨大优势 。我们拥有鲁棒性。

　　未来
，我们仍将致力于打造一个更为完善的天气量化投资系统，确认这类数据的潜力不被某种模型所限制
。具体的 ，我们会构建一些具有启发性的天气-价格预测模型
，在下一篇讨论，也和我们本文中的模型作个比对。

　　截面是另一个重要方向 ，如果这样做，那就是一个事实上的商品板块中性策略 。

　　投资者方面
，最佳实践将是利用我们强大的天气预测数据构建一个更为实际 、更具竞争力的投资组合或者子策略
。正如我们上面所言，我们仍未完全使用“T+15”。

　　作者：徐晨飞 Z0020488 F03096125