浙商证券-机器学习与因子-一-：特征工程算法测评-230615

文本预览：

《浙商证券-机器学习与因子-一-：特征工程算法测评-230615（25页）.pdf》由会员分享，可在线阅读，更多相关《浙商证券-机器学习与因子-一-：特征工程算法测评-230615（25页）.pdf（25页精品完整版）》请在悟空智库报告文库上搜索。

（以下内容从浙商证券《机器学习与因子（一）：特征工程算法测评》研报附件原文摘录）
　　核心观点 　　本文使用一系列机器学习模型对相同的输入因子进行特征工程，对比不同模型选股组合的投资表现，并定量分析因子对个股定价的影响，得出如下结论： 　　首先，机器学习能够提高投资组合的绩效，集成学习树模型效果最佳。其次，机器学习模型体现出了对A股市场的一定动态适应能力。最后，交易类因子是决定个股短期定价最重要的因素之一。成交稳定，价格低波动的股票短期内表现出较高回报。 　　机器学习模型能提升组合绩效，树模型表现最佳 　　以万得全A指数为基准，各机器学习模型在样本外都可获得超额回报。分别在固定时间窗口训练模式和滚动时间窗口训练模式下，对比3类共10种机器学习模型在预测股票短期收益率方面的效果。结果显示，梯度提升树模型LightGBM和XGBoost在两种训练模式下表现最好。 　　机器学习模型有动态适应能力 　　测评各模型在滚动时间窗口模式下，预测股票短期回报的表现。结果显示，绝大多数模型在滚动窗口模式下，股票回报预测的准确性良好。这表明机器学习模型具有一定的动态环境适应能力。 　　交易类因子是影响个股短期定价最关键的因素 　　本文检验了主流多因子和经研究检验的补充因子的重要性。结果显示，各模型在不同年份，都认为交易类因子的重要性最高，交易类因子是影响股票短期定价的关键因素，重要程度占比为75%。相比而言，基本面因子对股票短期回报的解释力和预测力较弱。 　　流动性稳定、低波动性的股票短期收益占优 　　短期内回报较高的股票通常具备以下几个交易特征：成交额波动较小，价格对交易正弹性，短期内未发生过大幅度筹码交换且近期未发生过价格的剧烈波动。 　　风险提示 　　模型测算风险：超参数设定对模型结果有较大影响；收益指标等指标均限于一定测试时间和测试样本得到，收益指标不代表未来。 　　模型失效风险：机器学习模型基于历史数据进行测算，不能直接代表未来，仅供参考。