在商品期货市场，经济活动与对标的资产的需求之间存在很强的相关性。工业生产和库存数据可以反映近期市场需求是强劲还是不足，从而影响现货价格。同时，制造业情绪的变化也有助于预测市场需求的拐点。这些结论在基于美国工业供应数据和有色金属期货价格数据的实证研究中得到了验证。基于库存动态、工业生产增长和工业繁荣等指标的简单交易策略在过去 28 年中取得了显着收益。
经济数据和大宗商品市场
与债券和股票不同，在商品期货市场，经济数据有效地反映了标的资产过去的波动性。具体来说，制造订单、生产和库存数据与工业消费者的原材料购买有关。在其他金融市场中，经济数据主要影响后续的需求和供应。这对于制定有关经济数据和商品回报之间关系的假设非常重要。
本文重点介绍根据两个效应预测实物商品需求的变化：
需求过剩： 由于需要储存实物商品，库存短缺或库存积压是不可取的。而且，在某种程度上，对商品的需求似乎会随着工业活动的起伏而起伏。因此，如果制造业活动过去以高速扩张并且库存增加，我们可以考虑暂时的过剩需求和负回报可能性的增加。相反，如果过去的工业生产增长异常低或为负值，并且库存下降，我们可以认为暂时性短缺和需求加速的可能性更大。
情绪波动：如果近几个月制造业商业信心减弱，我们预计在其他条件相同的情况下，工业大宗商品需求将放缓甚至下降。由于市场情绪往往受订单或订单前景的影响，而不是受生产的影响，因此它应该对需求具有一定的预测能力。
本文基于以下有色金属期货检验上述两个假设：铜、铝、铅、锌、镍和锡。也就是说，我们认为过剩需求和负面情绪与上述期货产品的价格之间存在负相关关系。
为了将有色金属期货的具体表现与驱动所有商品回报的共同因素区分开来，并避免整个商品市场的风险敞口（和风险溢价），我们关注每份金属合约相对于一篮子非工业商品合约的相对回报。为此，我们首先将所有商品期货的回报率标准化，以 10%（年化）波动率目标的头寸。（根据指数移动平均线的历史标准差计算）。头寸在每个月底重新平衡。然后，我们从每种基本金属的回报中减去非工业篮子的回报。非工业品篮子包括以贵金属、美国农产品、其他农产品和牲畜加权的子篮子。
下图显示了波动率标准化的结果（蓝色是相对于非工业商品的回报，橙色是波动率标准后的绝对回报）。不同的商品有其自身的长期模式，但也有许多常见的短期变化，所有这些变化都在 90 年代末和 21 世纪初经历了共同的“超级周期”。
选择正确的经济指标
由于大宗商品价格取决于全球市场的需求，因此最好的经济数据将是全球汇总或代理数据。然而，我们在这里将分析限制在美国的指标上，原因有两个。首先，美国的数据可以追溯到 20 世纪 90 年代中期，质量很好。其次，工业周期是全局相关的，这里我们只想验证这些周期是否与金属交易有关，而不是设计一个最优的交易信号。
主要包括以下指标：
1. 国内制造业和贸易业务存货是同比值的三个月移动平均值。这表示最近的库存变化。
2. 工业生产增长，同比值的 12 个月移动平均值。这代表了过去工业部门的周期性状态。
3. ISM 制造业调查，近三个月主要调查指数之间的差异。这代表了情绪变化的方向和幅度。
基于上述关于需求过剩和预测情绪波动能力的假设，我们预计前两个指标与金属期货的收益率呈负相关，而后一个指标与金属期货的收益率呈正相关。出于测试目的，所有指标都使用 z 分数进行了标准化。
预测库存和工业生产增长的作用
据推测，1995 年至 2023 年期间，库存增长和工业生产增长与有色商品期货的月度或季度超额收益（相对于非工业商品期货）呈负相关。单个指标的月胜率为 52%（即指标与下月期货价格变化相反方向的变化比例），两个指标的复合指标胜率为 53%，综合指标与期货收益率的相关性也具有统计学显著性， 相关值为 7-7.5%。下图显示了每种产品的产量与下一季度库存和工业生产增长之间的关系。
调查指数 （情绪指标） 的预测作用。
虽然我们发现费城联储制造业调查 （PFM） 在测试期间的表现优于 ISM 预测，但月度相关性为 17%，月度胜率为 52.4%。然而，PFM 作为一项区域性调查，显然没有 ISM 那么广泛。为了逻辑起见，本文使用了 ISM。
ISM 的变动与未来一个月所有有色金属的收益率呈正相关。在季度测试中，ISM 与铝、锡和锌的相关性很高，与镍和铅的相关性较低。
综合预测因子
首先，通过库存变化和工业生产增长的指标计算 Z 分数，并计算两者的平均值。均值取为负数，并添加到原始 ISM 变化中以形成复合指标。综合指数预测未来一个月有色金属期货价格变化走向的准确率为54.8%，相关性接近10%，与所有有色金融期货的相关性均为正相关。
这种一致且有效的预测的价值反映在基础交易策略的表现中。我们使用复合指标作为唯一信号来模拟两种简单的策略。一个策略的位置与分数成正比，另一个策略的头寸大小保持不变，但与分数移动的方向相同。再平衡在每个月的第一个交易日进行。不考虑交易成本。PnLs 的年化目标波动率为 10%。下图显示了每种策略（包括买入和持有）的表现。
1995 年至 2023 年（2 月 22 日）期间的平均夏普比率约为 0.5，平均索蒂诺比率约为 0.6-0.8。多空策略的表现略好一些。虽然该策略的表现不是很可观，但考虑到输入信号的数据非常基础，并且信号的有效性持续了很长时间。因此，这个基于经济数据的简单信号，可以为仅基于数量和价格数据的策略研究提供一些新的思路。