因果涌现及有效信息概念介绍 [page::4][page::5][page::6][page::7]

• 因果涌现指宏观尺度因果关系强于微观尺度，利用信息理论衡量系统因果有效性。

- 有效信息（EI）指标基于转移概率矩阵及KL散度计算，用以捕捉系统因果结构的变化和强度。

• 采用粗粒化技术将日度涨跌幅符号化生成网络图，节点定义为五个交易日涨跌状态序列，实现微观到宏观尺度转换。

择时模型构建流程及参数说明 [page::10]

• 基于涨跌幅时间序列粗粒化，生成对应网络图。

- 计算EI指标及平均最短路径长度（对比指标）。

• 设置窗口期144个交易日，斜率参数89和144，依据斜率符号变化及均线穿插情况进行进出场交易。

- 测试包括上证指数、中债国债、布伦特原油、黄金及美元指数，均采用无杠杆多空模拟交易。

上证指数择时模型实证结果 [page::10][page::11][page::12]

| 均线参数 | 胜率 | 最大回撤 (点) | 最大盈利 (点) | 累计盈亏 (点) | 年化收益 (点) |
|--------|------|--------------|--------------|--------------|--------------|
| 5 | 52% | -906 | 1622 | 5143 | 158 |
| 10 | 49% | -1124 | 1622 | 1290 | 40 |
| 20 | 49% | -1124 | 1622 | 2525 | 78 |
| 30 | 51% | -712 | 1622 | 5998 | 184 |
| 40 | 53% | -712 | 1622 | 6484 | 199 |

• EI指标择时累计收益表现优于网络平均最短路径指标，胜率最高达53%。

- 斜率参数为144时表现优于89。

中债10年国债择时模型实证结果 [page::15][page::16]

• EI模型在斜率参数144下累计收益为正，胜率达67%，表现优于拓扑指标。

- 拓扑择时模型表现相对逊色，累计盈亏多为负。

布伦特原油择时模型实证结果 [page::19][page::20]

• EI指标择时斜率参数89胜率最高达到56%，累计盈利优于其他参数。

- 拓扑指标整体表现不及EI，仅部分指标胜率接近55%。

黄金择时模型实证结果 [page::24][page::25]

• EI模型大多数参数实现累计正收益，最高胜率可达57%。

- 拓扑择时累积收益及盈亏比低于EI模型。

美元指数择时模型实证结果 [page::28][page::29]

• 拓扑指标择时在斜率参数144时胜率高达64%，净值表现优于EI模型。

- EI模型表现较其他资产逊色，累计收益和胜率较低。

结论及未来展望 [page::31][page::32]

• 因果涌现视角为择时模型提供有效新途径，宏观尺度信息优于传统复杂网络拓扑指标。

- 多资产测试显示，EI指标择时模型累计收益多为正，多数情形胜率超过60%。

• 进一步研究将持续探索复杂系统理论对金融市场的适用性和策略优化路径。

金融研究报告详尽分析报告

报告标题与元数据

标题：《从因果涌现的视角挖掘择时模型》
作者：章顺，资深分析师（金融工程）
发布机构：上海东证期货有限公司东证衍生品研究院
发布日期：2023年9月13日
研究对象：多种金融资产（上证指数、中债10年国债、布伦特原油、黄金、美元指数）
研究主题：利用因果涌现视角，基于有效信息（Effective Information, EI）和复杂网络理论，构建并实证测试多资产的量化择时模型。

报告总体概览

该报告从“因果涌现”的理论框架出发，指出系统在宏观尺度上可能展现出较微观尺度更强的因果特性。作者利用时间序列粗粒化方法，将资产价格的微观日度序列转换为宏观尺度符号序列，进而通过构建状态转换网络，计算有效信息EI指标，从而发掘市场变盘点，实现择时交易。报告通过实证测试比较了基于EI的择时模型与传统复杂网络指标——平均最短路径长度的择时模型。总体结论为多资产的EI择时模型多数情形表现优良，胜率稳定且累计收益正向，特别是上证指数和中债10年国债表现突出，而美元指数则在平均最短路径长度模型中表现更优。报告强调复杂系统方法论在金融市场的创新应用和未来潜力。

---

报告章节详解

1. 什么是因果涌现

• 关键论点：

因果涌现是一种宏观尺度系统展现出比微观尺度更强的因果关系的新颖且有连续性的整体现象，挑战了传统还原论观念。尤其是在复杂系统，如金融市场，宏观状态能揭示比微观更强的因果结构。Erik Hoel提出了因果涌现的度量方法，通过比较不同尺度上的有效信息（EI），判定何时宏观尺度因果关系更优。

• 支持依据：

报告回顾了因果涌现的哲学与科学起源，引用了Hoel等人的信息理论因果分析方法，阐述KL散度在因果信息度量中的应用和EI指标的定义，解释了原因信息和结果信息的含义及其规范化形式。

• 金融市场联系：

金融市场的宏观趋势和策略切换即体现了因果关系的涌现，例如期货与股票之间的因果关系变化是真实的因果涌现的体现。通过粗粒化将微观高频数据转为宏观状态，可以借助EI捕捉市场变盘点，实现择时。

• 关键术语解析：

- 粗粒化（Coarse-graining）：舍弃系统微观细节，将信息压缩至宏观尺度。
- EI（有效信息）：基于系统状态转移概率矩阵，衡量因果关系的强度，计算原因状态与结果状态的信息度量差异。
- KL散度（Kullback-Leibler divergence）：用来度量两个概率分布的差异。

• 价值：这部分奠定理论基础，解释为何宏观尺度因果关系可能优于微观尺度，且制定通过EI指标挖掘市场择时信号的理论依据。[page::4,5,6,7]

2. 网络图相关原理及粗粒化方法

• 核心内容：金融资产涨跌幅时间序列经过符号化和粗粒化转为离散符号序列（用“U”和“D”表示涨跌），形成网络中的节点（例如5个交易日内涨跌序列“UUUDD”即为一个节点），节点之间的边由序列的时间顺序形成，权重基于序列出现频次确定。

- 对比指标：通过生成网络图，报告计算两类指标：（1）EI指标衡量因果涌现的有效因果关系；（2）传统复杂网络指标中的平均最短路径长度，作为对照。

• 数据来源和样本：资产包括上证指数（1990年至今）、中债10年国债、布伦特原油、黄金现货和美元指数，均为日度数据。国债数据来自外汇交易中心，其余数据来源于iFinD和Bloomberg。

- 示意图表：图表3展示了上证指数粗粒化后生成的网络图局部，节点通过符号序列命名，节点网络结构形成后即用于计算EI和拓扑指标。[page::8,9]

3. 实证择时模型构建与测试流程

• 流程步骤：

1. 获取涨跌幅日度序列并粗粒化符号化；
2. 按固定窗口（144交易日）生成网络图；
3. 计算网络的EI和平均最短路径长度指标；
4. 计算指标的斜率（取89和144交易日两参数），斜率变化的信号确定进出场时点；
5. 结合资产价格均线穿插（5、10、20、30、40日均线）确定持仓方向；
6. 支持做多做空交易策略，模拟回测业绩。

• 参数说明：

- EI和路径长度窗口均定为144日，斜率参数89和144日；
- 买卖点基于斜率正负切换；
- 已做多空假设，无杠杆操作。

• 金融工程意义：该设计结合复杂系统因果涌现理论和技术分析思想，创新性地用宏观因果变化信号实现资产择时。[page::10]

4. 各资产实证测试解读

4.1 上证指数

• 主要结果：

- EI择时模型累计收益正向且优于拓扑指标模型；
- 斜率为144、均线40时胜率最高达53%，累计盈亏点数最高达6484，年化收益约199点；
- 以图表5-9、11-15中斜率89和144的择时变盘点及盈亏曲线可见，EI模型能较好捕捉市场阶段性趋势。

• 对比拓扑指标：虽平均最短路径长度择时模型胜率略高（约55%），但累计盈亏负值较大，表现逊色。

- 图表说明：
- 图表5、8展示变盘点信号，EI模型信号与上证指数大幅波动期呈现良好吻合；
- 图表6、9累计盈亏曲线显示EI模型盈利趋势明显，且均线参数调整对净值曲线有显著影响。

• 风险控制：最大回撤在不同均线条件下波动，EI模型回撤相对适中。

- 总结：EI模型对上证指数拟合与预测性能优异，支持因果涌现理论实际应用价值。[page::10,11,12,13,14]

4.2 中债10年期国债

• 主要结果：

- EI模型在斜率参数144时反映出高胜率（67%）和正累计收益（约130BP）；
- 其他参数则表现平庸，多数累计收益负向。

• 拓扑指标对比：表现整体弱于EI模型，胜率及收益均较低。

- 图表示例：图表16-27展示斜率89和144参数下，EI与拓扑指标择时变盘点及盈亏曲线，凸显144斜率EI模型优势。

• 说明：国债市场波动幅度较小，信息提取相对困难，EI模型在一定参数下仍表现稳健，体现出因果涌现对低波动资产的适用性。

- 总结：EI择时模型适合中债等稳定资产，在合适参数设置下具备较强实用性。[page::15,16,17,18]

4.3 布伦特原油主连

• 结果对比：

- 平均最短路径长度模型整体胜出，特别是累计收益方面优于EI；
- EI模型斜率89参数胜率56%，累计盈利较其他设置优，但总体表现不及拓扑指标。

• 盈亏曲线和信号：图表28-39展示不同参数条件下EI和拓扑模型的择时信号及累积盈亏，支持上述结论。

- 解释：原油作为高波动资产，市场结构复杂，拓扑指标可能更适合其短期波动捕捉。

• 总结：EI择时未必全面优于传统网络指标，适用性视资产类型和市场结构而异。[page::19,20,21,22,23]

4.4 黄金现货价格

• 表现亮点：

- EI模型多个参数组合均展现累计正收益，特别是斜率89参数累计收益最高且胜率达57%；
- 拓扑指标胜率亦可达55%以上，但盈亏比低于EI模型。

• 信号分析：图表40-51的信号及盈亏走势反映，尤其1975年后黄金信号丰富且具阶段捕捉能力。

- 市场特征契合：黄金作为避险和价值储存资产，其周期表现特征适合宏观因果特征的捕捉。

• 总结：EI模型适应黄金市场，优于传统指标，验证了理论在贵金属领域的适用性。 [page::23,24,25,26,27]

4.5 美元指数

• 测试结果：

- 拓扑指标择时模型在斜率144参数下胜率64%，净值表现优于EI模型；
- EI模型表现平庸，最高胜率58%，累计收益有限。

• 信号与走势：图表52-63反映美元指数在EI和拓扑模型上的择时信号差异及收益轨迹。

- 资产特性影响：美元指数的宏观驱动力和波动机制较复杂，单一因果涌现指标可能不足以捕捉全部信息。

• 总结：美元指数择时需考虑多指标、不同模型补充，EI模型未必独占优势。 [page::27,28,29,30,31]

---

图表深度解读

图表3（上证指数网络图局部）

• 描述：图示展示上证指数涨跌幅符号序列构建的网络节点及连接关系，节点为多个交易日涨跌状态序列（如“UUUDD”），边代表序列时间递进。

- 趋势和意义：网络结构直观展现市场状态转换模式，支撑后续EI和拓扑指标计算。

• 对文本的支持：展示了粗粒化与网络构建的可操作性和金融数据复杂网络结构基础。[page::9]

图表4-9，11-15（上证指数择时模型结果）

• 数据成果：多组均线参数下，EI模型胜率均超过49%，最高达到53%，累计盈亏波动较大，但大部分均为正值，特别是40均线参数累计盈亏最高达6484点。

- 进出场信号：变盘点分布与指数走势相关，特殊行情期间（如2006-2008年）信号较密集，提示模型敏感捕捉市场震荡转折。

• 相对拓扑指标：胜率虽略低，但累计净值表现优于平均最短路径长度模型，说明因果涌现指标的选择和解读具备实用价值。

- 视觉与数值结合说明：盈亏曲线体现了长期趋势的投资价值，最大回撤控制在合理范围。

• 参数敏感度：斜率和均线参数组合对模型表现影响显著，为后续参数优化提供参考。[page::10-14]

图表16-27（中债10年国债）

• 结果解读：斜率参数144及EI计算窗口144的搭配下，最大胜率与正收益显著优于其他组合，累计收益与年化回报率均处于积极状态。

- 风险控制：最大回撤幅度小，符合低波动性债券特点。

• 对比拓扑指标：整体不及EI模型，特别是在胜率和累计收益显示明显差距。

- 趋势线和盈亏深度：指标信号明显与市场价格走势具备一定协同演化特征，验证模型合理性。

• 行为指导意义：该模型适合用作债券市场中性或进出时点辅助。 [page::15-18]

图表28-39（布伦特原油主连）

• 表现细节：EI模型斜率89参数胜率达56%，最佳累计收益172点；拓扑指标同样胜率达55%，但累计收益和盈亏比稍逊。

- 信号分布：原油多波动期信号更密集，模型反应市场震荡较快。

• 对比与解读：EI模型在这类资产优劣势不明显，需结合市场特征考虑模型选择。

- 数值波动和风险指标：回撤幅度较黄金和债券更高，模型交易风险提示明显。 [page::19-23]

图表40-51（黄金现货）

• 关键发现：EI模型斜率参数89时累计收益与胜率最高，盈亏比优于拓扑指标。

- 历史信号起点：1975年后模型开始有效发出信号，反映长期趋势捕捉能力。

• 盈亏曲线特征：模型在多时间段均表现出稳健收益趋势，验证因果涌现适合贵金属波动模式。

- 风险回报权衡：最大回撤和最大盈利点数均在合理范围内。

• 算法指标在黄金市场的应用潜力显现。[page::23-27]

图表52-63（美元指数）

• 模型表现：拓扑模型斜率144参数胜率最高达64%，累计收益明显优于EI模型。

- EI模型表现一般：最高胜率58%，累计收益有限，波动较小。

• 信号分布与价格关系：拓扑模型信号更为精准，表明不同资产需针对性选用指标。

- 风险及模型适应性提示：美元指数市场结构复杂，单纯因果涌现分析难覆盖全部动因。[page::27-31]

---

估值分析

本报告不涉及传统意义的资产估值方法（如DCF、市盈率等），而侧重于量化择时模型性能指标的统计与实证验证。模型估值主要体现在有效信息指标与网络拓扑指标的表现比较，斜率和均线参数对模型有效性的敏感度分析，以及最终累计收益、胜率、最大回撤等风险收益指标。模型的“估值”更多体现为择时信号预测的准确度及收益表现。

---

风险因素评估

• 模型参数依赖风险：

- 筛选窗口长度（144日）、斜率计算参数（89、144日）和均线交叉参数对模型结果影响显著，参数选取不当可能导致信号失真。

• 市场结构风险：资产属性差异导致模型效果不一，原油和美元指数表现说明模型的局限性和需结合多指标。

- 历史数据依赖风险：模型基于历史价格涨跌构建，未来市场非平稳变化可能影响信号可靠性。

• 执行风险与假设：假设无杠杆、可做空，实际交易成本、市场流动性等非考虑因素可能降低模型效用。

- 方法论固有限制：因果涌现理论依赖信息度量及粗粒化方法，本身存在理解深度和定量标准的争议。

• 缓解策略：研究团队通过多资产、多参数组合测试，选取最优参数组合；同时也结合传统拓扑指标提供对照，提高信号的稳定性和解释力。[page::10,14,31,32]

---

审慎视角及细微差别

• 偏见及假设审视：作者对因果涌现理论持积极支持态度，报告中隐含的假设包括宏观尺度优于微观尺度的普适性，存在理论推广到实证的风险。

- 模型对比中存在差异性：尽管EI模型整体优于传统网络指标，但部分资产（如原油、美元）表现不佳，提醒需多角度评估模型适用范围。

• 数据粗粒化与符号化方法的局限：将涨跌幅简单符号化“U”、“D”，舍弃了涨幅大小信息，或影响更细致的价格动态捕捉。

- 未充分说明交易成本影响：模拟无考虑交易滑点、手续费等，实际收益可能存在缩水风险。

• 长周期数据的可比性问题：资产历史数据起止时间跨度不同，在跨资产绩效对比上需谨慎。

- 图表中部分盈亏走势波动较大，提示模型在不同周期下需结合其他风险衡量指标判断。

• 整体保持理论创新性与实证严谨性的平衡，但未来研究需关注模型泛化和实战适应。 [page::4-7,9-31]

---

结论性综合

本报告以因果涌现的理论视角创新地探讨了金融资产择时模型构建方法。通过资产涨跌幅的时间序列粗粒化及符号化，构建状态转换网络，计算有效信息（EI）指标捕捉市场宏观因果状态变化，结合价格均线穿插制定择时策略。实证涵盖上证指数、中债10年国债、布伦特原油、黄金和美元指数，结果显示：

• EI择时模型在上证指数、中债10年期国债、黄金等资产上表现突出，胜率和收益均稳健，累计盈利普遍为正且年化收益可观；

- 针对布伦特原油和美元指数，传统复杂网络拓扑指标（平均最短路径长度）在某些条件下显现出比EI更优的择时性能，反映了方法的资产选择适应性差异；

• 粗粒化符号序列构建的网络图揭示了资产涨跌序列的宏观因果结构，图表3等展示其复杂网络框架基础；

- 详细的择时信号与收益曲线图（图表5-63）验证了EI指标在捕捉变盘点上的有效性及其实际应用潜力，表明因果涌现理论在金融量化择时中具有创新价值和可操作性。

报告肯定因果涌现视角在金融市场复杂系统研究中的应用意义，推动了结合信息理论与复杂网络的新型量化策略建设。作者提出未来将继续借鉴复杂系统方法论，丰富择时模型框架，探索更多资产类别和多尺度因果结构。报告所示模型虽具前瞻性，但仍需关注参数优化、交易成本控制及市场非平稳性挑战，以推进理论成果向实践转化。

总体来看，报告为金融择时建模提供了理论根基清晰、方法逻辑严密、实证数据充分的创新研究，值得业界重视与进一步发掘[page::0,4-32]。

---

参考文献

1. Hoel, E.P.; Albantakis, L.; Tononi, G. Quantifying causal emergence shows that macro can beat micro. PNAS 2013.

2. Hoel, E.P. When the Map Is Better Than the Territory. Entropy 2017.

1. Comolatti R, Hoel E. Causal emergence is widespread across measures of causation. arXiv preprint 2022.

4. 郝柏林.复杂性的刻画与复杂性科学.科学 1999.

---

附录——期货走势评级体系

• 强烈看涨：上涨15%以上（短期/中期/长期）

- 看涨：上涨5%-15%

• 震荡：振幅-5%至+5%

- 看跌：下跌5%-15%

• 强烈看跌：下跌15%以上

---

免责声明及版权信息

报告仅供客户参考，作者不承担因依赖信息产生的损失责任。未经许可不得转载或修改报告内容，所有版权归属上海东证期货有限公司。

---

（完）

报告