全文鏈接：http://tecdat.cn/?p=31123

分析師：Yihan Mao

任務(wù)/目標(biāo)

由于國債期貨的方便，可以快速交易，所以無論是用來投機還是用來對沖風(fēng)險都有很好的作用效果。我們提取美國國債期貨的數(shù)據(jù),進行波動性，收益率上的分析，并進行價格預(yù)測。

數(shù)據(jù)源準(zhǔn)備

用python(import YahooFinance)獲取美國國債期貨近10年的數(shù)據(jù)作為基本分析數(shù)據(jù)。同時，由于國債期貨的價格受到許多宏觀因素的影響，所以并且還需要找到一些其他的影響要素，這里我們提取GDP，CPI，Treasury Yield（收益率）并作為我們的特征。

特征轉(zhuǎn)換

數(shù)據(jù)預(yù)處理。datetime換成標(biāo)準(zhǔn)時間，算出日logreturn（log收益），分別算出15，50，100天的SMA與RSI加入到特征。畫出boxplot，通過圖過濾掉outliers跟一些不正常的點。用pandas篩選數(shù)據(jù)，填補過濾掉空數(shù)據(jù)。

分析收益

畫出日收益率，尋找聚集波動性強的點，進行進一步分析。通過圖看出在哪一段時間日收益較高，并且尋找近期事件發(fā)生的影響。我們發(fā)現(xiàn)存在收益相對較高，有投資價值。

分析波動性

波動性可以考慮為標(biāo)準(zhǔn)差的表現(xiàn)。首先直觀觀察，畫出短期SMA與長期SMA，交點較多的地方為潛在波動性強的地方。再畫出Bollinger Bands，密集的地方為波動性大的地方。

將這段時間發(fā)生的事情結(jié)合在一起分析，可以看出人們在發(fā)生經(jīng)濟變動的時候會選擇用此國債期貨進行風(fēng)險轉(zhuǎn)移。

---

點擊標(biāo)題查閱往期內(nèi)容

R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格

左右滑動查看更多

01

02

03

04

建模分析

Regression Model：

由于特征數(shù)據(jù)有多重因素，我們可以一個多重線性回歸。通過畫圖scatterplot matrix我們發(fā)現(xiàn)，很多之間并不是線性，而且存在變量之間的線性關(guān)系（由于目標(biāo)是預(yù)測，所以可以忽略），所以我們進行Box-Tidewell Transformation. 然后選取訓(xùn)練集合跟預(yù)測集合，建立模型進行回歸預(yù)測。

ARIMA：

由于國債期貨不是商品類型，所以我們不考慮季節(jié)性的變化。（ARIMA模型是指將非平穩(wěn)時間序列轉(zhuǎn)化為平穩(wěn)時間序列，然后將結(jié)果變量做自回歸（AR）和自平移（MA）。）

首先畫圖查看是否存在自相關(guān)。用ADF test來檢測是否平穩(wěn)，如果不平穩(wěn)我們對其進行差分處理，知道檢測P-value<0. 然后用Ljung-Box Test 檢測白噪聲，如果不是白噪聲證明可以預(yù)測此時間序列。

接下來定階。Auto-select得知選擇ARIMA(1,1,1). 我們建立模型。并對模型進行residual分析，得知模型良好。

同時看出residual可以看做normal分布。

我們選擇前80%的數(shù)據(jù)為訓(xùn)練集合，后20%為測試集合，建立預(yù)測。

可以看出預(yù)測值與實際值近似。如果假設(shè)經(jīng)濟狀況平穩(wěn)，沒有重大事情發(fā)生的狀況下（eg.covid-19），可以參考其變化來進行投機，實際上仍需考慮多方面宏觀因素。

隨機森林：

用隨機的方式建立一個由很多決策樹組成的，每一棵樹都只負(fù)責(zé)自己的部分。每一棵樹來進行自己的分類運算，最后選擇評分最高的來進行預(yù)測。

GARCH模型：

金融市場有杠桿效應(yīng)。方差并不是恒定的，ARCH模型是一個很好的解決方法。

由于國債期貨長達30年，很多宏觀因素的變化對其有很大的影響。

預(yù)測取決于我們的目的，如果我們的目的僅僅是投機，我們只需要觀察價格的變化走勢，同時受到一些宏觀因素的影響。比如我們還可以通過畫出RSI的變化，來訓(xùn)練什么時候應(yīng)該買入賣出。

同時根據(jù)交易量（Volume）的變化可以看出人們的活動狀況，尤其是在宏觀事件影響的時候。這個對于風(fēng)險管理有很重要的參考價值。

改進：

可以根據(jù)每周工作日設(shè)置indicator變量，更好的反應(yīng)時間因素。同時可以設(shè)置他們的相互作用（interaction effect）。

選取的宏觀因素可以進一步增加。

關(guān)于作者

在此對Yihan Mao對本文所作的貢獻表示誠摯感謝，他畢業(yè)于廈門大學(xué)(馬來西亞分校)，專長金融數(shù)學(xué)，數(shù)據(jù)分析可視化。