最近黄金行情让不少做宏观交易的朋友直挠头通胀预期数据明明在往上走理论上应该利好黄金可金价并没有走出教科书写的那种单边趋势反而来回震荡。我所在的团队这段时间一直在做一件事——把AI多因子模型和通胀路径模型结合起来重新拆解黄金定价逻辑。整个过程走下来收获不少也踩了不少坑。这篇内容就把这个项目的思路、因子搭建、模型融合方式以及回测验证的真实体会完整记录下来希望能给做类似方向的读者带来点启发。先交代一下背景。我们内部这个叫某黄金定价分析框架的项目最初就是为了回答一个问题当市场对通胀的预期明显抬升时金价究竟会怎么走传统的实际利率框架给了答案但那是一个静态结论而市场是动态的。于是我们开始尝试用AI多因子模型去捕捉多维度的定价信号再用通胀路径模型去刻画预期本身的变化。1. 为什么传统的黄金定价框架接连失灵1.1 实际利率框架的锚正在松动过去很多年市场分析黄金只有一个核心逻辑黄金不生息所以实际利率越高持有黄金的机会成本越大金价就越承压。这个逻辑在很长一段时间里是有效的几乎成了黄金分析的标准答案。我们团队早期的定价模型也基于这个框架简单直接回测效果也不错。但最近一年多我开始明显感觉到这个锚不太稳定。几次关键的宏观数据公布后实际利率明显上行按老框架应该是利空黄金的结果金价不跌反涨。最典型的一次是某主要经济体的通胀数据发布名义利率和通胀预期同时走高实际利率温和上行但黄金当天收出一根大阳线。当时几个做宏观的同事都看懵了后来复盘才发现市场真正关心的不是当期实际利率的绝对值而是未来的实际利率路径。实际利率框架的另一个问题是时间差。它隐含假设是利率变化会同步传导到金价但市场交易往往提前。预期先动数据后到等你看到实际利率上行再去做空黄金很可能正好接在情绪衰竭的位置。所以我们需要的是能处理预期和路径的框架而不是简单盯一个指标。1.2 单因子模型解释不了预期先行的行情单因子模型的本质是把相关性当因果。实际利率与金价在多数时间段确实负相关但相关性本身会随市场环境漂移。当宏观不确定性高企时黄金的避险属性会被放大实际利率的解释力就会下降。相反当市场处于平稳通胀期实际利率的负相关性又会回归。我统计过近十年的滚动相关性实际利率与金价的滚动相关系数最低到过-0.8最高居然能升到-0.1以下区间波动非常大。这就是为什么只要看一个指标决定方向的方式在最近一年的市场里经常被打脸。单因子模型还有一个隐含问题它把市场参与者当成完全理性人但实际交易是资金流、情绪、仓位和预期的混合体这些很难用一个利率变量全部概括。1.3 我们需要的是路径而不是时点所以我们的核心思路发生了一次转变从预测某个时点的金价涨跌变成刻画未来一段时间金价的定价结构。这听起来像玩文字游戏但实际含义差别很大。预测涨跌需要极高的短期准确率而刻画定价结构更像是在描述市场的受力状态——哪些因子在主导、哪些因子在钝化、当前处于什么样的震荡或趋势模式。这个转变直接决定了模型架构的选择。我们不再追求单一模型输出一个方向而是用多因子系统去捕捉市场状态再加上通胀路径模型去模拟预期抬升的完整过程。这样一来即便短期方向判断不精确我们至少能知道现在正处于什么阶段、接下来更可能进入哪种结构。2. AI多因子模型的第一步因子池的取舍与特征工程2.1 因子池从宏观到市场情绪哪些真有用多因子模型的成败一半取决于因子池的构建。我们最初列了一个超过200个候选因子的清单听起来很唬人但真正跑下来发现大量因子是冗余的还有一些是伪信号。经过几轮淘汰最终沉淀下来三个大类、约40个核心因子。第一大类是宏观定价因子包括主要经济体长期国债实际收益率、收益率曲线形态、主要央行资产负债表规模、美元指数、全球实际利率的加权水平。这些因子提供的是黄金定价的重力场决定了中枢方向。第二大类是通胀因子包括CPI同比与环比、核心通胀、通胀预期调查值、大宗商品价格指数、油价同比变化。这些因子在本文的核心逻辑里地位特殊因为它们直接服务于通胀路径模型的构建。第三大类是市场情绪与资金流因子包括黄金ETF持仓变化、期货市场非商业净多头、期权偏斜、美元流动性指标、避险情绪指标。这些因子回答的是市场当前在想什么它解释了为什么同样的宏观数据在不同情绪状态下会引发截然不同的价格反应。因子池的取舍有一个很反直觉的经验不要上来就用算法做自动筛选。先用人脑把经济学逻辑捋一遍再让算法做去冗余否则你会选出一堆样本内漂亮、样本外直接崩塌的伪因子。我们团队内部有一个一票否决规则任何因子如果讲不出一段可持续的经济学故事不管统计表现多好都暂时留着但不纳入主模型只做监控。2.2 特征工程里最容易被忽视的预期差构造多因子建模最容易犯的错误是直接把宏观数据的公布值塞进模型。金融市场交易的是预期差也就是实际公布值与市场预期值的差异而不是绝对值本身。比如某经济体CPI公布值同比3.2%看着比上个月的3.0%要高看似利多黄金但如果市场事先已经预期到了3.3%那么实际数据反而是不及预期黄金反而可能下跌。所以我们专门构造了一批预期差特征。数据源方面我们可以拿到市场调查的中位数预测以及数据公布后的实际值。预期差就是这两者的差值。我们还额外构造了连续几期预期差的动量用来识别市场预期是否正在系统性重定价而不仅仅是单次偏离。这套构造逻辑公开资料里讲得不多但实际效果非常显著。我们对照过加入预期差特征后模型对数据公布日的价格解释力提升明显特别是对全球CPI与核心PCE数据的反应方向准确率比只用绝对值提高了不少。只要数据源稳定这个特征值得每一个做宏观量化的人认真对待。2.3 数据频率对齐日频、周频、月频怎么揉在一起黄金定价涉及的数据频率跨度非常大国债收益率是日频通胀预期调查是月频甚至季度频央行资产负债表是周频。直接喂给模型会产生数据对齐偏差比如某月频因子在公布前其实是缺失的如果简单用上一个值填充就会让模型在下次公布前用得是旧数据造成信号滞后。我们采用的方法是状态门控结构低频因子用来刻画市场的宏观状态高频因子在这个状态内做动态微调。具体操作上月频数据先做季度平滑然后以阶梯函数的方式进入模型避免在月度交界处产生不自然的跳变。周频数据则做重心对齐发布日当天作为新值生效发布日之前严格使用上一期数据杜绝未来函数。另外还要特别注意点对点对齐的细节。同一份数据有的机构公布的是年度同比有的公布的是环比折年千万不能混用。我在一次因子检查中就发现某个通胀因子因为口径混用在特定区间出现了近似翻倍的大幅波动如果不做修正后面所有阶段判断都会被带偏。这类问题没有捷径只能靠逐条拉数据曲线、对照原始公告去排查。3. 通胀路径模型把预期抬升变成可计算的变量3.1 为什么市场交易的是路径不是当期CPI黄金定价的本质是对未来无限期现金流机会成本的折现。既然黄金没有票息它的持有价值在于对抗未来几十年的通胀侵蚀。这就意味着市场定价时看的不是这一个月的CPI是多少而是未来二十年的通胀路径长什么样。打个比方如果CPI这个月从3%跳到4%但所有人都相信下个月就会回落到3%那金价大概率不会因此大涨反过来如果当月CPI只是从3%微升到3.1%但远期通胀预期同步抬升市场开始担心未来五年的通胀中枢都上移那金价反而可能大幅走强。所以我们真正需要建模的对象不是当期的通胀数据点而是远期通胀预期的整条路径。3.2 通胀路径的三种拟合方式建模通胀路径我们有三种候选方法走了不少弯路才最终确定。第一种是纯宏观模型法搭建一套经济增长与通胀的联立方程输入财政、货币、人口、生产率等长期变量得到未来通胀的情景模拟。优点是可解释性强缺点是参数太多且输入变量本身有很大不确定性模型很容易陷入失之毫厘谬以千里的困境。第二种是市场隐含法从利率市场提取盈亏平衡通胀率用不同期限的衍生品价格反推出市场对未来通胀的定价。这个方法的优点是直接反映市场交易出来的预期避免了我们自己对宏观经济的猜测缺点是被流动性溢价扰动。第三种是统计学习情景法利用机器学习对历史通胀路径聚类找出几种典型的演化模式再根据当前的高频指标判断更接近哪种模式。这种方法上手快适合做情景组合但容易出现伪聚类需要对聚类结果做经济学意义的验证。我们的最终选择是市场隐含路径情景叠加。主路径来自利率市场的盈亏平衡通胀率期限结构路径的不确定性则用历史统计学习生成三种典型情景——温和回落、高位震荡、二次抬升——来覆盖。3.3 路径模型与多因子模型的融合方式这里有一个关键设计路径模型输出的不是一个可以简单当X放进回归的数值而是一个状态。因为这个原因我们没有把通胀路径预测值当普通因子加进AI多因子模型而是把它当作一个门控变量。具体来说路径模型先输出当前处于什么状态是路径平坦、预期稳定还是路径陡峭化、预期正在抬升再或者是路径倒挂、预期正在走弱。不同状态下AI多因子模型内部各因子的权重会被动态调整。比如路径陡峭化阶段实际利率因子的权重会被调低因为市场此时更关心通胀对冲属性而在路径平坦阶段实际利率因子重新回归主导地位。这种门控式融合比单纯拼接特征要稳健得多。因为通胀路径本身波动不大如果直接作为数值特征它对模型输出的边际影响会很小难以真正体现在结果里。但作为门控变量它可以显著改变其他因子的作用方向更贴近真实市场的逻辑——不同宏观阶段有不同的定价主导因子。4. 预期抬升下的震荡结构演化模型输出如何解读4.1 震荡市的识别波动率结构与持仓成本分布模型搭建完之后我们遇到一个更大的问题怎么解读模型的输出一开始我们让模型输出未来N日的涨跌概率但结果在震荡市里表现很差。后来把目标改成市场结构状态识别效果立刻不一样了。震荡市的本质是市场对定价路径存在分歧成交量与波动率结构会出现特征信号。我们观察到典型的震荡阶段里短期波动率反而会下降因为多空双方都在观望但波动率曲面会出现明显的倾斜期权市场对尾部风险的定价开始上升同时期货持仓没有大幅变化说明资金在等待方向选择而不是主动撤退。我们用了一个基于波动率曲面曲率和持仓成本分布的规则系统来做状态初筛再用聚类方法对历史行情打上趋势结构和震荡结构的标签。这套流程跑下来对震荡结构的识别准确率在样本外也保持在较高水平比单纯用价格均线交叉靠谱多了。4.2 预期抬升分阶段模型如何区分定价阶段预期抬升这四个字看起来是一个线性过程实际内部可以拆成几个不同阶段。我们根据通胀路径模型的状态输出把预期抬升分成三个阶段预期初步抬升、预期主升、预期兑现。第一阶段通胀预期刚开始抬升时金价往往先反应因为此时市场意识到通胀路径可能变化对冲需求急剧上升金价容易走出一轮快速行情。第二阶段预期继续抬升但金价开始进入震荡。因为前期涨幅已经把预期计入市场开始质疑路径是否真的会兑现这时候多空分歧巨大任何单边追涨都很容易被套。第三阶段预期兑现或证伪金价才会重新选择方向。如果通胀数据真的持续走高金价会迎来第二波如果数据证伪了预期金价则会明显回落。把这个阶段模型放到整体框架里原来那种预期抬升→金价上涨的简单线性逻辑立刻变成了一个更精细的预期抬升→快速上行→震荡消化→方向抉择的过程。这也正是本篇文章标题里震荡结构演化的来源——震荡不是随机噪音而是定价阶段演化的中间产物。4.3 一个具体案例推演结果与市场实际走势的对照做这类项目最怕模型输出和实际走势对不上。我们内部有一个比较典型的验证案例发生在通胀预期从低位逐步抬升的一段时期。模型在阶段一给出明确的趋势定价信号金价确实快速上行。进入阶段二后模型状态从趋势结构切换为震荡结构并在内部报告中标注短期追涨性价比下降。那个时候市场很多声音还在喊单边新高但我们基于模型给出的信号没有追加多头头寸。随后金价果然进入长达数周的区间震荡期间多次冲高回落。等到通胀数据真正兑现那次模型状态重新切换回趋势结构我们才重新加仓。这个案例最让我感慨的是如果只看单因子框架阶段二的震荡会让你两头挨打而把预期抬升阶段识别引入后震荡期反而成了观察与等待的最佳窗口。过早行动是亏损来源耐心反而是最有效的配置。5. 回测与实盘验证中的几个坑5.1 区间选择偏差只回测牛市段会让你死得很惨回测是项目中最容易制造虚假安全感的环节。黄金市场过去二十年里有几段长时间的横盘期也有很多单边大行情。如果你只选择最近两年这种趋势明显的时段去做回测任何带一点趋势跟踪性质的模型都会表现得极其优秀但拉到完整周期里可能直接失效。我们做了一件事把回测区间切成多个滚动窗口每个窗口至少三年并且特意包含至少一段完整的震荡期。模型必须在这段震荡期里不产生大量虚假信号才算通过第一关。这个标准直接剔除掉了好几个候选模型——它们在牛市段的表现很惊艳但一到震荡段就频繁发出反向信号交易成本完全可以吞掉所有收益。5.2 通胀预期数据的口径切换另一个非常隐蔽的坑是数据口径切换。较长历史区间的通胀预期数据往往不是同一种统计口径某个年份开始数据源从基于调查的通胀预期切换成了基于市场的盈亏平衡通胀率甚至包括了对能源和食品价格的处理调整。如果没做断点检测模型会在数据切换的那一天捕捉到一个不存在的巨大预期差并把它当成有效信号。我们的解决方案是对所有长序列因子做断点检测比如标准的结构突变检验和滚动均值对比发现断点后再做分段对齐和调整。这套流程听起来很学术实际操作也不复杂但能避免很多事后看非常低级的错误。值得提醒的是不要只看数据源说明就默认前后一致必须自己拉曲线去验证。5.3 模型过拟合的识别因子越多不代表越准多因子模型最大的诱惑就是不断加因子而在样本内因子越多拟合程度天然越高这是一种错觉。到样本外就开始原形毕露。我们有一批保留数据不参与任何训练和调参只在最后阶段用来做一次性验证。有一个很典型的教训。团队里一位同事发现铜金比这个因子在历史回测里表现极好建议加进主模型。我们单独跑了一遍样本外验证结果这个因子在样本外的贡献几乎为零甚至在某些子区间是负贡献。复盘后发现它的优异表现来自某几年特定宏观环境下的伪相关一旦环境切换逻辑不再成立。从那以后我们正式把样本外一次验证写进项目流程任何因子想进入主模型必须先过这一关。5.4 数据缺失与发布日历的影响最后的坑跟数据发布日历有关。宏观数据不是每天都有通胀路径模型依赖的盈亏平衡通胀率虽然高频但计算它需要用到的原始变量里有的每周只更新一次还有的是月度公布。曾经有一次我们把一个更新频率较低的因子当成高频因子用导致模型在两次更新之间产生一条虚假的陡峭化路径信号直接反向。之后我们专门做了一套数据新鲜度标记系统每个因子都带着自己的更新时点模型只在确认所有输入足够新鲜时才输出状态否则宁可输出信息不足。这一点在博文里很少有人提但实盘中特别重要。宁可让模型告诉你现在看不清也不要让它基于不完整的数据强行给出一个自信满满的结论。写在最后这套框架给我的真实启发模型跑起来之后我对黄金定价的理解有了一个明显变化市场不是一块铁板价格是被不同主导因子在动态时间里轮流塑造的。实际利率在路径平坦时是核心锚但在路径陡峭化阶段它可以让位于通胀对冲逻辑。这种认知差异直接影响了我日常交易的纪律性。如果非要说一个最有用的操作建议我会说在做黄金分析时永远把当前处于预期抬升的哪个阶段放在第一位用这个来判断是否值得在震荡里反复折腾。震荡期里频繁交易往往是亏损的主要来源而在趋势确认后保持耐心反而能吃到最厚的一段。最后分享两个小技巧第一回测窗口永远不要低于三年并且一定要包含震荡段不然你验证的是运气而不是逻辑第二任何长序列的通胀预期数据都要先做断点检测跨口径直接拼接会让你踩一个极其隐蔽的坑。模型不是圣杯它只是帮你把复杂的市场状态结构化。真正决定盈亏的是你面对这些状态时愿不愿意遵守自己的规则。
