本文验证一些在金融预测中使用的机器学习架构，并作改良。我们改良后的架构在国内金融和CTA因子上均获得了温和的样本外表现。本文讨论因子部分。
CTA策略的表现受宏观环境影响很大（但比股债要难解释得多！）。比如宏观波动低位时，趋势策略可能会跑输平均。如果我们能用机器系统化的“读懂”宏观经济，那就能在因子择时/组合上更进一步。
我们的机器学习技术提升了四种常见的CTA因子。样本外，23年截至今年8月，长趋势夏普从-0.03提升至0，短趋势从0.78提升至0.84，截面基差从0.53提升至0.58，截面动量从-0.13提升至-0.08。
报告内容分为四部分，第一部分我们会阐述背景，包括模型限制性。第二部分是框架，包括数据集与特征，训练与预测。第三部分是表现，包括鲁棒性分析。最后，我们总结，包括一些衍生性主题。
风险提示：过去业绩不代表未来、策略“永久”失效、极端事件冲击。
作者：徐晨飞 Z0020488 F03096125
紫金天风期货研究所量化研究团队：
徐晨飞（CTA，机器学习），Z0020488，F03096125，xuchenfei@zjtfqh.com
刘晓元（FOF，国债），F03117720，liuxiaoyuan@zjtfqh.com
范嘉丰（期权，航运），F03121093，fanjiafeng@zjtfqh.com
本文节选自2025年9月紫金天风研究量化团队发布的专题《用机器学习“读懂”中国经济：因子篇》。文中策略和图表的目的仅用于说明，不保证实际投资表现，不与实际组合挂钩。投资策略不保证不会随着时间推移发生应有的改变。对相关内容感兴趣的投资者，欢迎联系我们。
