兴业证券-当线性模型遇见机器学习-190917

《兴业证券-当线性模型遇见机器学习-190917（29页）.pdf》由会员分享，可在线阅读，更多相关《兴业证券-当线性模型遇见机器学习-190917（29页）.pdf（29页精品完整版）》请在悟空智库报告文库上搜索。

　　投资要点
　　多因子选股体系中不可规避的一个问题是因子选择，该领域的学术以及商业研究相对较少。作为机器学习系列二研究，我们通过引入机器学习中的特征选择方法，运用Filter&Wrapper构建因子选择体系，进一步构建线性和非线性融合的动态选股因子，该因子选股能力斐然。
　　针对于选择的因子通过线性回归的方式构建动态选股因子DLS：因子IC、ICIR、T值分别为0.106、1.50、16.06，而基准（选择过去5年ICIR最优因子等权合成）则分别为0.061、1.16、12.48；分位数测试来看，DLS因子多空年化收益、夏普率分别达到43.0%、4.99，同期基准达到24.3%，3.48，且DLS因子在各组别中的单调性和稳定性要优于基准的表现。
　　为了更好的利用非线性选股信息，我们将机器学习系列一构建的集成学习因子引入到线性回归中（相当于在Filter&Wrapper选择的因子基础上添加集成学习因子），构建线性和非线性叠加的A-DLS因子。A-DLS因子IC达到0.13、ICIR为2.07，多空组合年化收益69%、夏普率6.55，整体表现优于集成学习因子。
　　基于A-DLS因子构建主动量化以及增强选股策略，各策略表现优异。其中主动量化策略年化超额收益26.9%、夏普率4.61；针对于沪深300和中证500采用线性优化的方式构建指数增强策略，以针对于中证500构建的全市场选股增强策略为例：策略超额收益达到18.4%、风险收益比达到4.14、最大回撤3.7%。
　　风险提示：本报告模型及结论全部基于对历史数据的分析，当市场环境变化时，存在模型失效风险。