专题：超预期！神秘“降水预期差”竟让农产品期货夏普翻倍！？

摘要

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。

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。