Method Appendix
方法附录与参考依据
理论来源
分级证据
同行评审、官方资料、行业研究、参考资料
产品里怎么用
代码映射
价格、信号、回测、安全库存提醒都有本地模块
哪些没做
边界说明
不声明完整学术模型，不替代人工复核
结果解释
历史样本
回测指标不构成未来收益承诺
如何阅读本附录
代码映射入口
lib/intelligence/price-engine-v3.ts； 信号标准化：lib/intelligence/pipeline-trio.ts； 回测：app/api/backtest/route.ts； 安全库存提醒：lib/client/purchase-guardrails.ts。证据等级
同行评审
论文、学术期刊、经典模型原文
证据等级
官方资料
交易所、监管或教材型资料
证据等级
行业研究
咨询、行业机构和市场研究
证据等级
参考资料
用于背景理解，不等同于系统实现
铜市场重大历史事件
以下事件塑造了当代铜价格的波动结构，也是本系统各模块设计的实证背景。每一次极端行情都验证了风险控制和系统化决策的必要性。
系统决策流程
数据从左到右经过六个步骤：先确认需求，再看市场信号和价格位置，最后生成采购建议。任一环节发现风险，都会降低建议量或要求人工复核。
M1/M2/M3 预测
7 维加权融合
波动率 / 百分位
4 档风险识别
报价结构 / 闸门
采购 + 锁价参考
库存控制与需求预测
运筹学 / 库存管理理论
参考资料
运筹学 / 库存管理理论；下方引用用于说明该模块的思想来源和证据等级。
产品里怎么用
系统以"库存覆盖月数"作为核心度量，综合当前库存、在途数量与月均需求，判断补货紧迫度。当覆盖不足时触发紧急补货机制，覆盖过剩时发出库存偏高预警。库存模式支持多档配置，适配不同企业对精益或安全库存的偏好，目标库存量随模式自动调整。
没有做什么
不声明完整复制论文模型；本模块按制造业采购场景做规则化、阈值化和人工复核边界处理。
库存覆盖月数 — 三区间决策模型
历史案例
20212021 年全球铜供应链危机
疫情后铜供应链中断，LME 铜库存降至 25 年低点（约 7.5 万吨），制造商被迫以高溢价紧急采购。没有安全库存策略的企业平均多付 15-20% 的临时采购溢价。这一事件验证了库存覆盖月数作为核心度量的实际价值——有充足覆盖的企业避免了恐慌性采购。
关键研究发现
Arrow-Harris-Marshak (1951) 的报童模型证明：在需求不确定下，最优订货量取决于边际缺货成本与边际过剩成本的比率——这一原理适用于所有面临不确定需求的采购决策。
安全库存不是"浪费资金"，而是对供应中断风险的定价。Zipkin (2000) 指出，安全库存水平应随需求方差和补货提前期动态调整，而非固定不变。
工程改造说明
经典 EOQ/报童模型假设单周期或稳态需求分布。本系统将其核心思想简化为基于覆盖月数的工程规则，不做精确 EOQ 求解，而是通过动态阈值和安全缓冲实现类似效果，更适合制造业周期性排产场景。
参考资料
Paul Zipkin, McGraw-Hill 2000. 运筹学库存管理领域的标准教材，覆盖安全库存、随机需求、(r,Q) 策略等基础理论。
Econometrica 经典论文（1951）。单周期随机需求下最优订货量的临界分位数公式，库存管理理论的基石。
Applied Mathematical Modelling. 证明在随机需求条件下 EOQ 公式仍然成立的理论基础。
European Journal of Operational Research, 2013. 随机需求与随机产出下安全库存的动态确定方法。
arXiv, 2023. 蒙特卡洛仿真结合混合优化求解连续盘点 (r,Q) 策略，与系统的覆盖月数+安全缓冲逻辑在思路上相似。
价格分析与波动率建模
金融计量学 / 大宗商品价格研究
参考资料
金融计量学 / 大宗商品价格研究；下方引用用于说明该模块的思想来源和证据等级。
产品里怎么用
系统基于 COMEX 日线收盘价序列计算年化波动率（√252 标准化），并构建多周期加权的趋势复合指数——短、中、长期收益率按衰减权重混合后除以波动率进行标准化，形成动量档位判定。价格引擎同时计算近期百分位定位和上涨概率估计，预测区间采用不对称构造（下行风险区间大于上行），并内置均值回归偏置：高分位时中期预测自动向下修正。
没有做什么
不声明完整复制论文模型；本模块按制造业采购场景做规则化、阈值化和人工复核边界处理。
趋势复合指数 — 构造方法
历史案例
2024.052024 年 5 月铜价投机性暴涨至历史新高
LME 铜价突破 $11,000/吨历史新高（年内涨幅超 25%），但实际制造业需求疲软——中国冶炼厂加工费跌至负值，驱动力来自投机性 short squeeze 而非基本面。在此类场景下，百分位定位会发出"极端高位"信号，均值回归偏置自动向下修正中期预测，避免制造商在投机泡沫中追高采购。
关键研究发现
铜价均值回归速度约 40%/年（Resources Policy, 2020）——价格冲击后约 40% 在次年回归长期均值，这是系统均值回归偏置的统计基础。
期货价格作为铜价预测指标在 1-6 月期限内优于分析师共识预期（Cortazar et al., SSRN），但超过 12 个月后两者差异缩小。
IMF (2015) 研究确认大宗商品存在"超级周期"，铜价的长期趋势受全球工业化进程驱动，短期波动则受金融投机放大。
工程改造说明
铜价均值回归是已有学术证据支持的现象。但系统不使用完整的随机过程模型（如 Ornstein-Uhlenbeck），而是通过百分位分段与偏置修正实现工程化的均值回归信号，兼顾计算效率和可解释性。
参考资料
Cortazar, Enberg & Ortega, SSRN. 比较期货价格、分析师预期与混合方法在 1-24 月铜价预测中的表现。
Resources Policy, 2020. 分析铜等有色金属 1980-2019 年价格的均值回归特性，发现均值回归模型的预测优于随机游走。
IMF Working Paper, 2015. 分析大宗商品超级周期的终结及其对生产国的影响，铜价长期趋势研究的重要参照。
CME Group. 铜的供需基本面分析，包含 1994-2014 年产量翻倍和成本通缩的历史数据。
Springer Mathematics and Financial Economics, 2014. 铜价随机过程建模，区分短期漂移与长期均值回归。
MDPI Risks, 2024. 使用期货价格预测铜现货价格的系统性方法研究。
Hélyette Geman, Wiley 2005. 大宗商品定价与建模的权威教材，覆盖金属市场的随机模型和蒙特卡洛方法。
SSRN / ECMS 2009. 铜价建模中跳跃-扩散过程的实证研究。
多信号融合与决策评分
预测组合理论 / 规则引擎设计
参考资料
预测组合理论 / 规则引擎设计；下方引用用于说明该模块的思想来源和证据等级。
产品里怎么用
系统融合七类异构信号源——价格动量、均线偏离、期货结构、宏观经济、外部预测、波动率、跨品种信号（金铜比/油铜比/USD-CNY）——每类信号标准化后按预设权重加权合成综合看涨指标和不确定性评分。跨品种信号使用 252 日分位比较，当金铜比处于高位（铜相对便宜）且油铜比确认时形成宏观买入共振。过时数据通过时效衰减机制自动降权。
没有做什么
不声明完整复制论文模型；本模块按制造业采购场景做规则化、阈值化和人工复核边界处理。
七维信号融合 — 相对权重层级
时效衰减：过时数据自动降权 | 死区过滤：综合信号强度不足时不做主动偏离
历史案例
2020.032020 年 3 月 COVID 崩盘后的信号分歧
铜价从 $5,800 暴跌至 $4,371（-25%），宏观信号极度看空（VIX 突破 80），但期货结构转入 backwardation、机构观点分歧巨大。依赖单一信号会导致恐慌性停购；多信号融合系统能识别出分歧度过高，自动降低操作力度、避免在底部完全停购——铜价在随后 9 个月反弹至 $9,000 以上。
关键研究发现
Bates & Granger (1969) 证明：两个预测的加权组合的均方误差必然低于或等于两者中较差的那个——这是预测组合理论的数学基础，也是本系统多信号融合的理论依据。
过时信号的时效衰减在快速变化的市场中尤为关键。COVID 期间日度数据的信息半衰期显著缩短，三天前的市场情绪可能已完全翻转。
Kahneman & Tversky (1979) 的前景理论揭示，决策者在面对损失时倾向于冒险（恐慌停购或恐慌加仓），规则引擎的价值在于消除这种非理性行为。
工程改造说明
学术文献中的信号组合多基于 ML ensemble 或贝叶斯模型平均。本系统使用的是经验设定权重的线性加权评分，不涉及 ML 训练，更接近经典的预测组合（forecast combination）思路和规则引擎设计。
参考资料
Bates & Granger, Operations Research Quarterly, 1969. 预测组合理论的奠基之作，证明组合预测优于单一预测的数学条件。
Kahneman & Tversky, Econometrica 1979. 行为经济学奠基论文（2002 年诺贝尔经济学奖），揭示损失厌恶和风险态度不对称——解释了人类采购决策中追涨杀跌的心理根源。
Clemen, International Journal of Forecasting, 1989. 预测组合领域 30 年研究的系统综述，确认组合方法在绝大多数场景下优于单一最佳模型。
Pacific-Basin Finance Journal, 2024. 比较线性与非线性方法整合多类商品特征信号，验证集成方法优于单信号。方法参考——本系统使用线性加权而非 ML。
Journal of Forecasting, 2020. 预测组合方法在农产品期货中的应用，验证多模型组合优于单模型。
Decision Support Systems, 2023. 规则引擎与机器学习混合系统的框架设计。方法参考——本系统仅使用规则引擎部分。
Expert Systems with Applications, 2021. 规则引擎在金融市场决策中的应用与验证。
跨品种套利信号
宏观因子分析 / 跨市场联动
参考资料
宏观因子分析 / 跨市场联动；下方引用用于说明该模块的思想来源和证据等级。
产品里怎么用
系统计算三类外部参考信号：(1) 金铜比，判断铜相对黄金是否偏便宜；(2) 油铜比，观察能源与工业金属的相对强弱；(3) 人民币汇率，判断进口和沪铜成本压力。三类信号合成辅助分数，用来适度调整采购建议量。
没有做什么
不声明完整复制论文模型；本模块按制造业采购场景做规则化、阈值化和人工复核边界处理。
历史案例
2022.072022 年金铜比发出铜价见底信号
2022 年 7 月，全球通胀紧缩周期中铜价大幅回落，但金铜比攀升至 252 日高分位（黄金作为避险资产走强，铜作为工业金属走弱）。历史上金铜比极端高位往往预示铜价底部——果然铜价在 2022 年 Q3 触底后反弹。系统的跨品种信号在此期间发出买入确认，配合低分位定位形成双重买入共振。
关键研究发现
金铜比（Gold/Copper Ratio）被学术界和业界广泛用作经济周期的领先指标——高金铜比预示经济放缓和铜价底部，低金铜比预示经济过热和铜价顶部。
油铜比反映能源成本与工业需求的相对变化。当油价因供给冲击上涨而铜价因需求走弱下跌时，油铜比上升可作为铜价超跌的辅助信号。
人民币汇率通过进口成本渠道直接影响沪铜定价——人民币每贬值 1%，沪铜成本（以人民币计）上升约 1%，因此汇率动量是沪铜特有的价格修正信号。
工程改造说明
跨品种信号在学术文献中多用于配对交易和统计套利。本系统将其改造为采购信号确认维度：不做跨品种头寸，仅将跨品种相对强弱作为铜价买入/推迟的辅助确认。252 日分位窗口保证信号稳定性，避免短期噪声干扰。
参考资料
CME Group. 金铜比作为宏观经济和铜价周期领先指标的研究，覆盖 2000-2024 年数据。
Resources Policy. 分析能源与工业金属价格比值在经济周期识别中的信号价值。
IMF Working Paper. 汇率变动对大宗商品进口价格的传导效应研究。
期货套保与分层采购
衍生品对冲 / 供应链风险管理
参考资料
衍生品对冲 / 供应链风险管理；下方引用用于说明该模块的思想来源和证据等级。
产品里怎么用
系统分析多期限期货报价结构，判断远月报价是升水还是贴水，并估算扣除成本后的锁价空间。只有报价结构有利、且风险折扣后仍有优势时，锁价才会进入参考建议。近月权重高于远月，总锁价比例设有上限。
没有做什么
不声明完整复制论文模型；本模块按制造业采购场景做规则化、阈值化和人工复核边界处理。
锁价闸门系统 — 四档决策控制
历史案例
2022.032022 年 LME 镍事件的行业教训
LME 镍价从 $25,000 暴涨至超 $100,000，青山控股面临巨额追保，LME 被迫取消交易并暂停镍合约。这一事件暴露了不设锁价上限和保证金约束的套保策略可能带来灾难性后果。本系统的设计哲学与之形成鲜明对比：设有绝对锁价比例上限、保证金预算压缩机制、以及多档闸门对不利条件的阻断。
关键研究发现
CME 官方制造商套保案例显示：一家线缆厂通过买入 100 张铜期货合约（250 万磅），在铜价上涨 $0.37/磅时完全对冲了 $100 万的现货成本增加——套保的本质是成本确定性而非利润最大化。
LME 教育材料强调：金融套保与物理套保的分离能提高价格透明度并降低供应商信用风险——供应商无需承担价格风险溢价，采购方获得更具竞争力的报价。
Hull (2022) 指出 basis risk（基差风险）是制造业套保的核心挑战——本系统通过 edge 计算显式纳入基差惩罚项来管理这一风险。
工程改造说明
学术套保模型多以最小化方差为目标。本系统将其改造为制造业采购场景：锁价不是投机，而是成本平滑工具。闸门系统和比例上限来自历史回测的工程校准，不是论文的直接结论。
参考资料
SSRN. 比较多种计量模型对 LME 铜期货的对冲效果，VAR-MGARCH 提供最佳方差缩减。
SSRN. 商品期货期限结构的主成分分析，利用 Contango/Backwardation 信息优化展期策略。
Springer, Journal of Derivatives & Hedge Funds. 29 个市场 20 年数据验证正常 Backwardation 和预测理论的共存。
John C. Hull, Pearson 第 11 版. 衍生品与对冲策略的行业标准教材，Ch.3 期货对冲策略、Ch.35 能源与大宗商品衍生品。
CME Group 官方教育课程。使用 COMEX 铜期货对冲物理采购价格风险的实操案例。
CME Group. 制造商使用铜期货锁定采购成本的详细案例。
LME 官方。物理套保 vs 金融套保的基础概念，以制造商为例讲解对冲全流程。
McKinsey & Company. 制造业采购预警系统的方法论，覆盖供应风险、通胀风险和动态采购策略。
McKinsey & Company. 通胀与波动环境下的采购策略优化框架。
Deloitte. 供应链风险评估的四步方法论，涵盖压力测试和情景分析。
风险控制与市场状态识别
风险管理 / 状态切换模型
参考资料
风险管理 / 状态切换模型；下方引用用于说明该模块的思想来源和证据等级。
产品里怎么用
系统包含四层风险控制：(1) 用近期和长期波动率识别市场是否异常；(2) 将价格位置、波动率、动量和宏观信息合成风险分；(3) 当累计回撤或连续失效达到阈值时切换到谨慎模式；(4) 持续比较系统采购均价与市场均价，超付过多时自动减速或暂停。
没有做什么
不声明完整复制论文模型；本模块按制造业采购场景做规则化、阈值化和人工复核边界处理。
四层风险控制架构
历史案例
2008.07–2008.122008 年金融危机的铜市暴跌
LME 铜价从 $8,600/吨暴跌至不到 $3,000（五个月内跌幅 -65%）。如果采购系统仍按常规节奏执行，会在下跌初期持续买入并累积账面损失。市场状态识别的价值在于：波动率急剧上升时自动转入谨慎模式，等波动回落后再恢复。
关键研究发现
Markov Switching 模型在铜期货数据上识别出显著的"扩张/平台/收缩"三状态结构（Resources Policy, 2023），不同状态下价格波动的驱动因子差异显著。
尾部风险指标关注“极端情况下会亏多少”，比只看发生概率更适合评估高波动月份的采购风险。
2024 年一项涵盖 1959-2022 年数据的研究发现，铜价对全球需求冲击（如 COVID、2008 危机）表现出明显的高波动率 regime，但相比石油，铜的 regime 转换更为渐进（Applied Economics Letters, 2024）。
工程改造说明
Markov Switching GARCH 论文是状态切换的完整学术方法。本系统使用简化的波动率比值规则检测器，不估计转移概率矩阵。回撤控制论文多针对投资组合回撤，本系统将其概念移植到"采购成本节省的回撤"场景。
参考资料
Econometrics Journal, Bauwens et al. 2010. Markov 状态切换 GARCH 模型的理论基础，系统 Regime 检测的学术源头。
Journal of Financial Econometrics, 2004. 状态切换波动率模型的经典方法。
SSRN. Rolling Economic Drawdown (REDD) 方法控制最大回撤，系统断路器逻辑的方法参考。
SSRN. 基于波动率、CVaR 和 CDaR 的仓位缩放方法，与系统的风险预算缩放逻辑相似。
Harvey, Rattray et al., SSRN. 回撤统计在资金配置与风险管理中的系统性研究。
SSRN. Basel III 框架下 VaR 与 CVaR 的角色，系统 CVaR5% 风险指标的监管背景。
Resources Policy, 2023. 使用 EEMD 分解和 Markov Switching VAR 分析铜期货价格波动的状态切换特征。
Applied Economics Letters, 2024. 基于 1959-2022 年数据研究大宗商品（含铜）价格的 regime 切换特征及全球冲击的影响。
回测验证与参数校准
策略验证方法论 / 实验设计
参考资料
策略验证方法论 / 实验设计；下方引用用于说明该模块的思想来源和证据等级。
产品里怎么用
参数优化在离线脚本中采用 Walk-Forward 风格的参数扫描（LHS + 滚动窗口）来观察稳定性；公开页面不再将其表述为严格独立的上线充分性证明。运行时回测使用冻结参数按年度切片汇总，不重新优化。参数搜索使用 Latin Hypercube 采样兼顾探索效率和高维空间覆盖度，候选参数仍需通过最大回撤和极端月度亏损的硬约束过滤。
没有做什么
不声明完整复制论文模型；本模块按制造业采购场景做规则化、阈值化和人工复核边界处理。
严格 Walk-Forward 参考时间线
历史案例
持续性问题量化策略过拟合的行业教训
金融行业有大量因过拟合而在实盘失败的案例——一个在回测中年化收益 40% 的策略可能只是拟合了特定历史模式，在新数据中表现为零甚至亏损。2008 年和 2020 年危机期间，大量看似稳健的量化策略集体失效，暴露出单一训练-测试分割的局限性。严格 Walk-Forward 方法正是为解决这一问题而设计：在多个不重叠的时间窗口上独立验证策略有效性。
关键研究发现
在严格定义下，Walk-Forward 产生的持出期（holdout）收益才是真正的 out-of-sample 表现；这也是为什么当前 Trio 体系不再把离线参数扫描直接包装成“上线充分性证明”。
Latin Hypercube 采样在高维参数空间中的覆盖效率远优于随机采样或网格搜索——相同计算预算下可探索更多有效参数组合，降低遗漏最优区域的风险。
下行波动指标只惩罚“买贵”的月份，对采购成本场景更直观——工厂不会抱怨买得便宜，但会在乎买得太贵。
工程改造说明
滚动验证目前仅用于离线参数研究，不能替代严格的独立样本外验证；下方时间线展示的是方法参考形态，不是当前线上 Trio 体系的审计日志。参数采样来自实验设计领域，尾部风险和下行波动指标被改造成采购成本场景的辅助指标。
参考资料
arXiv, 2025. Walk-Forward 优化中窗口长度选择对策略表现的影响研究。
Wikipedia. Walk-Forward 优化方法的概述，包括流程、原理与局限性。
CME Group / Red Rock Capital. Sortino 比率的定义、计算方法和相对于 Sharpe 比率的优势。
CFA Institute. Sortino 比率的正式定义与 GIPS 标准下的应用。
SSRN. 讨论估计误差对 VaR/CVaR 回测有效性的影响。
SSRN. 改进的 VaR 回测方法，强调违反事件的独立性检验。
方法覆盖表
下表说明每个系统模块主要参考哪些研究领域。实心点表示直接参考，空心点表示间接相关。
| 模块 | 运筹学 | 金融计量 | 风险管理 | 供应链 | 实验设计 | 衍生品 | 跨品种 |
|---|---|---|---|---|---|---|---|
| 库存控制 | - | - | - | - | - | ||
| 价格引擎 | - | - | - | - | - | ||
| 信号融合 | - | - | - | - | |||
| 跨品种信号 | - | - | - | - | - | ||
| 期货套保 | - | - | - | ||||
| 风险控制 | - | - | - | - | - | ||
| 回测校准 | - | - | - | - |
声明与边界
方法参考，不照搬论文
以上引用用于说明系统设计参考了哪些方法，不代表系统直接实现了论文里的完整模型。系统采用的是经过工程简化和业务适配的规则引擎。例如：市场状态识别使用简化的波动率规则，而不是完整 Markov Switching GARCH；库存控制基于覆盖天数阈值，而不是精确 EOQ 求解；信号融合使用人工设定权重，而不是机器学习训练。
工程经验与业务规则
系统中的关键阈值（锁价上限、风险评分切线、单月采购偏差上限等）来自历史回放和参数扫描，不是论文直接给出的结论。它们经过硬约束过滤和多期复盘，但不等同于理论最优解，也不能替代独立样本外验证。
使用限制
本页面内容仅用于说明系统的方法论基础。系统输出为采购建议而非投资建议。任何采购操作应结合企业资金状况、供应链实际情况和管理层判断。过往回测表现不代表未来结果。本系统服务于制造业原材料采购的成本优化与风险管理，而非金融投机。