PTA产业链及因子分类概览 [page::3]

• PTA处于石化与纺织行业中游，上游价格、聚酯产量及纺织需求影响其价格

- 依据基本面，将指标分为供给、需求、宏观景气和价格四类，以指导因子构建与降维

单因子指标筛选及表现 [page::4][page::5]

| 指标简称 | 类别 | 全样本夏普 | 年化收益 | 最大回撤 | 胜率 | 指标频率 | 指标变换 |
|-------------|--------|------------|----------|----------|------|----------|----------|
| Prcup1 | 上游价格 | 0.9 | 18% | -24% | 50% | 日度 | 差分 |
| Prc1 | 自身价格 | 1.1 | 25% | -25% | 51% | 日度 | 差分 |
| Prcdown2 | 下游价格 | 1.2 | 23% | -22% | 51% | 日度 | 差分 |
| Dmd1 | 需求 | 0.8 | 18% | -29% | 51% | 日度 | 原值 |
| Dmd_4 | 需求 | 0.9 | 14% | -29% | 53% | 月度 | 环比 |

• 选出12个有效单因子，包括上游PX价格、PTA自身价及下游聚酯产品价格和需求指标

- PX等上游价格因子择时能力强，2014年表现最佳；下游需求因子择时效果相对较弱

多因子合成策略回测表现 [page::11][page::12]

• 交易信号等权加权策略年化收益29.65%，夏普1.38，年均44次交易，胜率51%，盈亏比1.15

- 交易信号过滤（SAR指标）后交易频率降至20次，年化收益25.92%，夏普1.2，降低交易成本
| 合成方式 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 |
|-----------------|------|------|------|------|------|------|------|------|------|------|------|
| 信号等权 | 1.9 | 1.8 | 1.2 | 1.0 | 0.2 | 3.0 | 0.6 | 2.1 | 0.9 | 0.7 | 1.1 |
| 预测收益率等权 | 1.9 | 1.8 | 1.2 | 1.3 | -0.2 | 3.0 | 0.2 | 1.4 | 0.6 | 1.3 | 0.4 |
| 信号过滤 | 2.2 | 1.7 | 0.9 | 1.9 | -0.3 | 4.7 | -0.1 | 0.4 | 0.6 | 0.7 | 0.8 |

大类因子降维择时分析 [page::13][page::14]

• 将指标分为供给、需求、宏观景气、价格四类，采用3PRF方法降维得到大类因子

- 大类因子组合年化收益14.58%，夏普比0.68，最大回撤29%，胜率50%，交易较为稳健但收益较低

• 2016-2017年PTA行情震荡，指标相关性变化导致策略表现不佳

两种方法优劣对比 [page::14]

• 精选单因子合成优点：更高效率，剔除无效因子，适合精细化挖掘，但存在过拟合风险

- 大类因子降维优点：量化主观分析逻辑，适用性强，便于观察整体因子变动，风险较低，缺点为需更长时间验证且相关性变化较敏感

《衍生品量化择时系列专题之三：PTA 指标筛选与大类因子合成研究》报告深度分析

---

1. 元数据与报告概览

• 报告标题：《衍生品量化择时系列专题之三：PTA 指标筛选与大类因子合成研究》

- 作者：李晓辉（高级分析师，金融工程）与朱莹（分析师，金融工程）

• 发布机构：上海东证期货有限公司，东方证券研究所金融工程团队

- 发布日期：2019年12月2日

• 主题及内容聚焦：本报告聚焦于PTA（对苯二甲酸）衍生品的量化择时策略研究，尤其针对PTA产业链中的各类指标进行选取、验证与因子合成，研发和测试多种量化模型以优化择时效果。

核心论点与目标：

报告采用两种主要方法对PTA相关指标进行筛选和综合：

1. 对PTA产业链中指标进行单独检验，通过IVX回归对单因子信号进行收益预测，精选表现优良的指标，再进行多因子合成得出交易策略。

2. 按照供给、需求、宏观景气和价格四类指标，利用3PRF降维方法提炼大类因子，再结合大类因子形成交易策略。

量化模型的回测显示，单因子精选并多因子合成后的策略效果优于基于大类因子的择时策略。报告提供详细业绩表现数据，并提醒存在模型失效风险。整体表达对量化机制的信心，但对潜在风险亦不回避。

---

2. 逐节深度解读

2.1 PTA产业链分析（第3页）

• 内容总结：

PTA位于石化与纺织行业的桥梁位置。其价格受上游原油及中间环节（聚酯行业）的成本及需求驱动影响。上游环节价格如石脑油和PX影响成本，中游聚酯行业和下游纺织服装业的景气度决定需求。整体以供给（如石脑油、PX进出口等）、需求（聚酯产量、开工率等）、宏观景气（零售、服装固定资产投资等）和价格（上下游价格、PTA现货及期货等）四大类指标建模。

• 逻辑推导：

作者以产业链结构为框架，理清价格影响要素，通过基本面联系解释PTA价格波动来源。将这些因素分类，有助于量化方法分层次驱动分析，做到结构化建模。

• 图表解读（图表1）：

产业链图清晰展示了上游（原油→石脑油→MX→PX）、中游（PTA→聚酯产业链PET、聚酯瓶片、聚酯纤维、薄膜，短纤与长丝）及下游（纺织服装）结构。表明PTA是多重上下游因素综合作用的结果。

---

2.2 研究方法与数据处理流程（第3-4页）

• 总结：

研究方法分为两条路径：单因子逐一检验和多因子合成；以及按因子类别划分大类，降维提取大类因子后综合使用。
数据清洗方面，针对频率不同将所有数据同步为日频；缺失值用历史最新值填充；对数据统计时间与公布时间差异进行滞后调整。

• 推理依据：

统一频率便于模型对比和交易信号同步生成。缺失值填充避免样本不连续导致的模型失效。数据滞后处理则是防止未来函数问题，确保模型合规性。

---

2.3 单因子检验（第4-10页）

• 核心论点：

通过对PTA数据库各单因子指标（含差分、同比、环比衍生指标）与PTA周度收益率的滚动IVX回归，筛选出夏普比率大于0.7的有效指标12个，涵盖供给、需求、价格三类。

• 具体数据及其意义：

- 图表2数据展示各因子近10年回测夏普比率、年化收益率、最大回撤、胜率、盈亏比等，表明多个价格因子和需求指标能够有效预测PTA收益。
- 图表3详细列示12个指标名称及分类，如上游价格Prcup1、Prcup2（PX价格）；自身价格Prc1（PTA内盘价格）、Prc2（期货卖套保持仓）；下游价格四项以涤纶长丝、聚酯切片相关指标为主；需求类涵盖涤纶长丝产销率、棉混纺布销量、纯化纤布销量及纱线库存天数。

• 关键趋势及解读：

- PX价格（图表4）作为重要原料，择时效果显著，夏普率高达0.9，但2019年择时效果减弱且交易频率较高，表明价格序列波动性大。
- PTA本身价格及期货持仓量（图表5、6）同样是有效因子，且期货持仓夏普也较高，说明套期保值数据具有一定预测价值。
- 下游产品涤纶长丝（图表7、8）、聚酯切片（图表9、10）价格的关联性也被验证，说明产业链传导机制存在。
- 需求端指标如涤纶长丝产销率（图表11）、纺织布销售（图表12、13）、纱线库存天数（图表14）均对PTA价格动作有感应，库存走势反映市场信心。
- 部分指标如纱线库存表现出较高选择性交易胜率（53%），表明其择时的稳定性相对更优。

• 模型特征：

每个指标多通过差分、环比或同比形式处理强化趋势成分。IVX回归滚动预测确保模型时效性与动态适应性。

---

2.4 多因子合成策略（第11-12页）

• 总结：

将12个有效单因子信号进行合成，有两种加权方式：
- 交易信号等权平均
- 预测收益率等权平均

交易信号等权平均表现更优，回测年化收益29.65%，夏普比率1.38，每年均正收益，2014年尤为出色（夏普3.01），年均交易44次，胜率51%，盈亏比1.15。交易频率略高。

• 信号过滤：

采用SAR指标对信号进行过滤，减少频繁换手，年均交易次数降至20次，年化收益下降至25.92%，夏普降至1.2，说明交易信号的平滑有助于控制成本和回撤，但也削弱一定收益。

• 图表支持（图表15-19）：

净值曲线稳健上升，交易信号密度表现活跃，过滤版曲线更加平滑，信号响应更稳。

---

2.5 大类因子降维合成择时实证（第12-13页）

• 方法描述：

不单独筛选因子，而是按照供给、需求、宏观景气、价格四大类指标整体用3PRF降维提取大类因子，再进行择时回测。
利用滚动IVX回归检验大类因子有效性。

• 表现评价：

综合大类因子年化收益为14.58%，夏普比率0.68，最大回撤29%，胜率50%，盈亏比1.08，年均交易14次。表现弱于精选单因子合成，但交易频率较低更为稳健。

• 亏损原因分析：

2016-2017年PTA行情震荡，基本面指标与收益率关系发生变化，大类因子内各细分指标相关性同样变化，导致其预测能力减弱。

• 图表支持（图表21-22）：

净值曲线整体成长缓慢且较为平稳，信号变化较为稀疏且分布均匀。

---

2.6 两种方法优劣对比（第14页）

• 精选单因子合成

- 优点：聚焦核心有效指标，剔除无效因子以提升效率；帮助理清复杂产业链的指标关系，匹配市场行情；择时表现更优。
- 缺点：可能存在过拟合风险，属于深度数据挖掘范畴。

• 大类因子降维合成

- 优点：将主观分析逻辑量化，易于观察大类因子变化；适用性强，定制化灵活；对数据依赖相对较小。
- 缺点：逻辑验证时间长，可能受回撤控制影响；大类因子内部指标相关性易变影响模型稳定性。

• 综合看法：两种方法具有互补性，需结合实用场景与风险偏好灵活应用。

---

2.7 风险提示

报告预警模型可能失效风险，尤其在行情惯性改变或部分指标与价格关系破裂时择时效果将显著降低。

---

3. 关键图表深度解读

3.1 图表1：PTA产业链

展示原油、石脑油、MX到PX，上游到PTA，中游聚酯各种产品，到下游纺织服装的产业链结构，彰显多维影响因素。

3.2 图表2和3：有效单个指标择时表现与指标明细

直接提供多维因子过去10年内的择时表现数据，反映个别指标不同年份表现波动较大，整体择时效用较为稳健。

3.3 图表4-14：个别关键价格及需求因子数据与信号

• 各因子原始数据波动与处理差分数据解释指标信号生成逻辑。

- 红色条形显示多空交易信号，与主力合约价对比帮助理解信号的市场表现。

• 例如PX价格指标在2014及2018年市场中表现最佳；涤纶长丝价格在2016年至2019表现稳定；纱线库存天数有高胜率，反映纺织链下游市场信心。

3.4 图表15-19：多因子合成策略表现

• 净值持续上升，交易频率与信号密度说明策略反应快速且稳健。

- 信号过滤后策略保持收益的同时降低交易频率，达到平衡。

3.5 图表20-22：大类因子释义和择时表现

• 明确四个大类因子涉及指标，涵盖PTA产业链全流程的核心变量。

- 净值曲线显示策略表现平稳但低于精选因子方案，信号更稀疏。

3.6 图表23：两种方法优劣总结图

用图示直观对比两种方法，梳理技术实现与逻辑适用性，方便投资人做出择优选择。

---

4. 估值分析

本报告未涉及对PTA现货或期货产品基础估值的具体分析，而是聚焦量化择时模型策略的效果评估。回测指标包括年化收益率、夏普比率、最大回撤、交易胜率、盈亏比等，体现策略风险收益表现。

---

5. 风险因素评估

• 核心风险：量化模型失效，行情结构变更或历史关系失效导致预测能力下降。

- 潜在影响：重大回撤、信号失真、交易成本上升。

• 缓解方式：策略中尝试交易信号过滤（如SAR指标）降低换手率；分方法适度多样化减少过拟合。

---

6. 审慎视角与细微差别

• 报告在方法论上秉承严谨，数据覆盖广泛且处理细致。

- 指标筛选基于夏普比率阈值且剔除数据缺失严重指标，降低了盲目选择风险。

• 然而，尖锐的市场环境改变（如2016-17震荡行情）对大类因子模型冲击明显，提示量化模型需时刻警惕结构性风险。

- 单因子精选法虽然表现较好，但过拟合风险(“数据挖掘”)无可避免，模型稳健性需要在后续不同市场条件深入验证。

• 报告未展开多因子模型的动态调整或机器学习方法，未来可扩展研究。

---

7. 结论性综合

本研究系统地构建了PTA量化择时模型，通过广泛筛选产业链上下游及宏观景气指标，采用IVX回归方法对单因子信号进行稳健评估，精选12个表现较好的因子跨越价格及需求维度。

多因子等权合成信号策略回测表现最佳，年化收益近30%，夏普超过1.3，风险调整收益突出，胜率和盈亏比也达标。采用SAR交易信号过滤后交易次数减半，仍保持逾25%年收益，体现信号平滑带来的实战可行性。

与此对应，基于大类因子降维的择时策略收益和风险指标均逊色于精选因子合成法，但交易频率低，使用场景更为简便及稳健。2016-2017年行情验证了量化模型在震荡市中的局限，提示市场条件和指标之间的相关性随时间变动。

整体来看，报告表达了基于产业链结构理解与量化方法结合的择时创新思路和实践价值。通过对PTA全链条指标的严谨检验和回测验证，提供了有力的量化择时工具，对衍生品交易决策提供重要支持。

投资者应关注模型的动态稳定性和风险因素，结合自身风险偏好和投资周期灵活应用精选单因子合成或大类因子降维策略。

---

重要引用页码

[page::0,3,4,5,6,7,8,9,10,11,12,13,14]

---

附：关键图片示例

图表1：PTA产业链整体结构

图表15：多因子合成信号等权择时净值

图表21：合成大类因子择时净值

图表23：两种方法优劣总结

---

综上，报告以系统的指标量化方法论和详实的数据回测说明，成功构建并验证了PTA产品的多维量化择时模型，为未来的相关衍生品量化投资提供了坚实理论和实证基础。

报告