本报告利用机器学习模型模拟投资者分歧,通过构建分歧度因子有效刻画投资者观点差异,发现分歧度越高,股票未来收益越低。采用50个LightGBM模型,随机选择截面特征训练,实现较高RankIC(7.66%)和9.71%年化超额收益率,同时降低换手率。进一步分析显示,做空限制、动量及投资者认可度对分歧度因子表现有显著影响,合成复合因子能进一步提升预测能力
| 指标 | 数值 |
|---|---|
| 回测区间 | 2017/1/4-2024/5/31 |
| 周度RankIC均值 | 7.66% |
| 年化超额收益率 | 9.71% |
| 周频双边换手率 | 61.97% |
本报告通过机器学习方法模拟投资者分歧,将不同特征集输入多个机器学习模型,模拟投资者基于不同信息源产生异质性预测的过程。基于模型预测值的差异构建“分歧度因子”,进而分析其对股票未来收益的预测作用。研究验证投资者分歧度与股票预期收益呈显著负相关,且使用LightGBM树模型进行分歧度因子的构建准确率优于深度学习模型,且运算效率更高,换手率更低,具备较好实用价值。同时,超参数选择对因子表现的影响不大,做空限制、动量及投资者认可度等因素对因子表现有显著影响。
投资者分歧是金融市场内交易的驱动力之一,影响资产定价。Miller(1977)指出,投资者分歧高会导致股价被推高,未来回报低,原因在于乐观者更活跃而悲观者受限(做空困难)。文献进一步指出,分析师预测分歧也是未来收益下降的因素之一。
基于美国市场长时间序列数据,利用多模型异质性预测标准差构建投资者信念分歧指标(Machine Forecast Disagreement, MFD),并证实MFD在不同市场状态、特别是在股票盈利公告阶段拥有较好的预测能力。
采用50个LightGBM模型,每个模型对应一个“模拟投资者”,对同一时间同一股票随机选取20个特征进行训练,目标为未来10日收益预测。各模型预测值间的标准差即为分歧度因子。这种方法改善了深度学习模型训练成本高、规模难扩展的问题。
特征涵盖估值、成长、财务质量、量价、一致预期等43个类别;数据覆盖A股全市场,剔除ST及停牌涨停股票,回测时间段为2017年1月4日至2024年5月31日。
单因子测试结果:
参数敏感性分析:
图表解读(详见图表2-24):
机器学习分歧度因子与这两大传统代理指标高度相关,但表现更稳定且回撤较小,使其成为更优的投资者分歧刻画工具。
做空限制影响:
动量影响:
投资者认可度因子:
展示了机器学习模拟投资者分歧的核心逻辑流程:
本报告不涉及企业估值层面的DCF或P/E估值模型,主要集中于因子构建与回测表现分析,因此无传统意义上的估值分析部分。
模型过拟合风险:机器学习模型尤其是深度学习模型存在过拟合历史数据的风险,导致未来表现不佳。报告强调彩使用轻量化的树模型和全样本训练降低风险。
交易成本未计入:报告回测不考虑交易费用,实际策略净收益可能受交易成本有一定侵蚀,特别是换手率较高时风险更大。
市场结构变化风险:投资者行为和市场环境变化可能影响因子表现稳定性。
参数敏感性未知风险:虽然报告对主要参数已进行敏感性分析,但未来市场环境下参数适用性仍需跟踪验证。
做空限制假设成立风险:因子表现依赖于做空限制假设,如未来政策或制度放开可能影响因子有效性。
报告采用随机选特征集和独立模型,虽模拟了差异化信息获取,实际投资者观点分歧还涉及诸多复杂心理和行为因素,模型仍有简化之嫌。机器学习结果虽量化分歧,但对分歧来源的根因揭示有限。
数据截面特征主要为传统财务和市场指标,未充分包含非结构化信息(如文本、新闻舆情),未来可进一步丰富特征空间。
做空限制影响解释较为直观,但模型能否识别更多深层次结构性分歧(如投资者情绪、机构异质性)需要在后续研究验证。
认可度因子阐释投资者整体方向性,但其与分歧度因子及其它指标的交互关系复杂,复合因子效果虽提升,未来还需探讨权重最优配置。
本报告通过机器学习方法尤其是50个LightGBM模型,创新性地构建了基于模型预测异质性的投资者分歧度因子。主要结论包括:
投资者分歧度因子对未来股票收益具有显著的负预测作用:分歧度高的股票未来回报偏低,原因符合经典理论Miller(1977)的模型,即乐观投资者推高价格,悲观投资者因做空约束影响力弱。
机器学习分歧度因子优于传统代理指标(换手率、特质波动率)和基于少量深度学习模型的因子,具有更优的RankIC(7.66%平均水平)、较低换手率(61.97%)以及接近10%的年化超额收益率。
模型设置较为稳健:超参数(预测周期、投资者数量、特征数量、机器学习模型类型)对因子表现影响不大,增加投资者模型数量和适当限制特征数量能保持分歧的差异性。
投资者行情特征影响显著:
做空限制(机构持股比例低的股票)增强分歧度因子多空收益,体现了股票做空机制对投资者观点表达权衡的影响。
动量特征尤其明显,近期涨幅最高组中分歧度因子多空组合年化收益达63.04%,现实中乐观投资者主导行情,悲观观点受限。
投资者认可度因子与分歧度因子互为补充,综合提升因子表现并优化投资组合收益。
实用意义:
机器学习分歧度因子具备实际投资应用价值,为资产定价与交易策略提供了新的导航标杆,且工艺相对易于规模化实现。
图表1:机器学习模拟投资者分歧方法流程图,展现了从特征选择到模型训练再到分歧度因子生成的整体框架。
图表3: 分歧度因子分层组合净值表现,最优组合收益远超其他分层,表现单调性强。
图表29:机构持股比例区分下的分歧度因子多空净值差异显著。
图表36:认可度因子分层净值,高认可度组收益显著领先。
华泰金工团队基于机器学习技术的投资者分歧模拟报告,对投资者行为复杂性进行了有效量化,突破传统标的表征的局限,造就了可解释性强、应用前景广的分歧度因子。
报告提出的机器学习分歧度因子不仅深化了学术研究,也为量化投资实践提供了先进工具,通过对做空限制、动量及认可度的细致分析,增强了因子的经济学基础和实效性,具有较高的推广价值和应用潜力。
文中投资者分歧对收益的负相关(如RankIC值7.66%,年化收益9.71%),以及模型配置与超参数敏感性,均详述于报告前7页,1,2,3,4,5,6,7]。
影响因素分析(做空限制、动量、认可度等)及对应图表详见报告后半部分,9,10,11]。
总结部分数据与观点主要来自报告尾页和核心观点章节,11,12]。
报告中的所有图表均已清晰展现因子构建逻辑、性能和敏感性分析,3,4,5,6,7,8,9,10,11]。
以上为《华泰金工 | 机器学习模拟投资者分歧》报告的全面深入解析。
华泰金工 | 机器学习模拟投资者分歧.pdf