基于情绪因子的CTA截面策略

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者”。

作者：John Hua FANa、Sebastian BINNEWIESb、Sanuri De SILVAa

前言

本文主要研究了情绪因子在商品期货截面策略的应用。文章发现，情绪变化较大的商品的表现比情绪变化较小的商品要好。虽然情绪乐观/悲观的程度也很重要，但与情绪的变化相比，它的预测能力明显较弱。从2010年到2020年，一个基于高与低情绪变化的加权和月度再平衡的多空投资组合每年产生7.2%且统计显著的平均回报。这种naïve策略的夏普比率为0.75，最大跌幅为12.2%，与传统因子相比该因子收益翻了一倍多，风险降低了一半。情绪因子与动量、对冲压力、偏度和基差动量无关，但与基差风险负相关。与时间序列跨越检验一致，截面定价检验进一步表明，情绪因素具有显著的定价能力，超越商品基本面。

为了确定这种可预测性的来源，我们考虑了15种宏观条件，包括商品市场的内源性和外源性，包括一般市场情绪、商品市场周期、商业周期和经济条件、航运、政策和地缘政治不确定性。我们发现，在整个大宗商品市场周期中，情绪诱发的错误定价是不对称的，即当总体市场处于期货升水或现货升水较低时，情绪变化较大的大宗商品倾向于超卖，而当总体市场处于现货升水或期货升水较低时，情绪变化较小的大宗商品倾向于超买。

我们发现，在紧缩的宏观环境和资金流动性恶化的时期，情绪导致的错误定价最明显，主要来自投资组合的空头。

怎么计算期货情绪？

我们使用Twitter academic API获取了在2009年1月1日至2020年12月31日，所有匹配以下商品名称关键词的推文（如Table 1 Commodity Name），总共近4160,000,000条。

计算每条推文的情绪时基于词性的统计，s(w)表示词语w的情绪值：

某日d，商品i的情绪值使用以下公式计算：

即先统计每条推文所有词语的情绪和，再计算当天所有与该商品相关的推文的情绪之和，最后除以相关推文的数量。下图给出了一些商品期货价格与情绪的走势图。

我们对情绪因子与商品超额收益率做面板回归：

表2所示的结果表明，情绪因子的回归系数都显著，说明使用Twitter的商品情绪包含了商品基本面因子之外的额外信息。因此，我们继续测试情绪对商品期货样本外收益的预测能力。

情绪因子策略测试

在每个月的最后一个交易日，我们将28种商品的横截面按∆𝑆𝑒𝑛𝑡𝑖𝑚𝑒𝑛𝑡𝑖𝑡分类，分为两个投资组合，即情绪变动高与情绪变动低。我们不应用任何平滑、缩放或优化来修改信号或资产权重。我们只是在大宗商品的TOP组中持有多头头寸，在BOTTOM组中持有空头头寸。多空组合的权重相等，按月进行再平衡。我们按照相同的逻辑来构造carry、动量、套期压力、偏度、动量和相对基差因子组合。下表给出了策略表现：

不同的tweet构建的情绪因子是否有区别？

除了使用所有tweets构建情绪因子，我们根据tweet是否被转发，构建了转发tweet及未转发tweet的商品期货情绪因子。还按tweets是否被点赞构建了有点赞及无点赞的商品期货情绪因子测试结果如下。

如果情绪诱发的错误定价是有影响力的推文的结果，我们预计，当只使用非零转发和/或点赞的推文衡量商品情绪时，比使用所有推文衡量商品情绪时，会观察到更强(或类似)的表现。但是我们观察到，相反的是，有点赞的平均回报率有所下降。当同时考虑转发、点赞使用时，这些策略的回报大多不显著或弱显著。与表3中的主要结果相比，零tweet和非零tweet都不会产生更强的性能。此外，情绪是基于高关注还是低关注的推文来衡量，在统计上并没有差异。总的来说，这些发现表明情绪的预测能力取决于群体的集体智慧，而不是特定的用户群体。这一发现也暗示，至少在横向设置中，高关注用户/推文的定价影响是相当有限的。

不同的情绪计算方法是否有区别？

在上面的测试中使用了Loughran-McDonald sentiment lexicon。如果换一个词性词典结果会不一样吗？下面给出了结果，与其他替代方法相比，金融特定词典在股票定价方面表现良好，词典的选择在捕获大宗商品期货中情绪诱发的错误定价方面至关重要。

总结

总之，基于Twitter的情绪因子的计算是很容易实现的。对于商品期货CTA多因子策略，无论是因子组合中新增的因子或作为一个独立的单因子策略，都值得尝试。

论文来自：《Wisdom of Crowds and Commodity Pricing》