德邦证券-金工机器学习专题之二：机器学习残差因子表现归因-211124

《德邦证券-金工机器学习专题之二：机器学习残差因子表现归因-211124（16页）.pdf》由会员分享，可在线阅读，更多相关《德邦证券-金工机器学习专题之二：机器学习残差因子表现归因-211124（16页）.pdf（16页精品完整版）》请在悟空智库报告文库上搜索。

投资要点：线性回归的残差收益率可以分解。

残差收益率可以由自变量的非线性函数、自变量不蕴含的信息和其他因素解释。

用机器学习模型可以拟合自变量的非线性函数。

用机器学习模型拟合残差收益率，可以对自变量的非线性函数进行建模。

构造机器学习残差因子。

机器学习模型的预测值为机器学习因子，该因子对风格因子做正交化处理，获得机器学习残差因子。

使用机器学习残差因子选股的投资组合没有明显的风格。

机器学习残差因子与风格因子线性不相关，因而根据该因子选股基本没有风格偏好。

全市场选股的超额收益归因。

机器学习残差因子的选股能力大部分不能被风格、行业主动暴露解释。

大部分超额收益来源于特质选股能力，并且该部分超额收益很稳定。

全市场选股的指数成分归因。

全市场选股构造的投资组合在沪深300指数、中证500指数成分股以及两指数成分股以外股票这三个股票池中均有选股，其中最后一类小市值的股票最多，且小市值股票带来最多的收益。

全市场选股的策略容量较大。

基于每日交易个股10%交易额的假设，在超百亿规模情况下投资组合也有可观的超额收益。

计算调仓完成度。

我们定义和计算了调仓完成度，该指标反映持仓和策略相符合的程度。

机器学习残差因子在不同的股票池的选股能力严重分化。

机器学习残差因子在全市场的选股效果较好，但在大、中市值股票内选股的效果一般，这与大、中市值股票定价的有效性相关。

通过双因子选股法将机器学习残差因子与风格因子组合。

机器学习残差因子不筛选风格，我们用该因子做第一次分组，再用各个风格因子做第二次分组，测试了双因子选股方法的效果。

许多风格因子在高机器学习残差因子暴露的股票池内体现出很强的选股能力。

风险提示：海外市场波动风险，宏观数据、政策变化风险，模型失效风险。