本文提出双目标遗传规划模型应用于周频行业轮动,通过同时优化因子单调性(|IC|)和多头组表现(NDCG@k),显著提升策略表现。2022Q3以来,月频行业轮动效果不稳定,双目标遗传规划挖掘的综合因子在2022-09-30至2024-04-30期间实现扣费前年化超额收益25.74%,夏普1.70,最大回撤-21.47%,显著优于单目标模型,兼顾收益和风险,换手率适中。模型采用NSGA-II算法保证种群多样性,挖掘过程使用了26个量价输入变量和64个GPU加速算子,构建高维复杂表达式。通过6个随机种子多轮挖掘并贪心合成因子,同时设训练、验证、测试集体系保证样本外稳健性
| 指标 | 数值 |
|---|---|
| 年化收益 | 25.81% |
| 年化波动 | 15.17% |
| 夏普比率 | 1.70 |
| 最大回撤 | -21.47% |
| 年化换手 | 单边约13倍 |
报告标题: 双目标遗传规划应用于行业轮动
发布机构: 华泰证券股份有限公司
发布时间: 2024年5月20日
研究团队: 林晓明、徐特、何康等
研究主题: 通过双目标遗传规划模型挖掘周频率的行业轮动因子,并构建行业轮动策略以适应市场主线弱化、行业轮动加速的趋势。
核心论点:
行业轮动策略一直是A股投资核心,传统月频模型多采用基本面和技术面对行业景气度和剩余动量因子建模,被证实有效。然而,自2022年第三季度起,电力设备及新能源行情终结,市场主线显著弱化,行业轮动加速,月频模型表现和换手率大幅下滑,年化超额收益由约17%降至7%,换手率提升40%,导致稳定获取超额收益变得困难。
报告设计了一套市场主线强度指标,通过多期限(5/10/20/40/60日)的行业收益率排名归一化聚合评价,一旦市场主线强烈,相关指标值接近理论最大0.935,反之低于0.871即视为弱主线。实际结果显示,2022年9月后,市场主线强度均值下降,强主线月占比减少5%,与行业轮动策略超额收益呈正相关(相关系数+0.36),显示主线强弱直接影响模型表现,支持提升调仓频率以适应加速的行业轮动。
选股因子合成行业轮动因子看似合理,但该方法有效性高度依赖于选股因子中行业Beta的占比。经过行业中性化处理会去除行业轮动信息,导致因子无效;若不做中性化则取决于因子是偏重个股Alpha还是行业Beta,运气成分较大,稳定性差。报告基于端到端高频量价数据,综合日、周、月频因子构建因子fh和fl,得到了有效的周频行业轮动因子,尤其在主线弱势阶段表现更佳,超过24%的年化超额收益,换手率高(约20-22倍),体现高级因子挖掘手段的重要性。
单目标遗传规划典型流程包括种群初始化、交叉变异、适应度评估(如|IC|)和子代选择,但其适应度函数单一导致因子维度评价片面,容易陷入种群拥挤——优秀个体“基因”趋同,降低进化多样性,影响因子泛化能力。
双目标遗传规划在适应度评估阶段同时采用两个目标函数(|IC|与NDCG@k),通过非支配排序(NSGA-II算法)解决目标冲突,实现帕累托优化,保证种群内优秀因子多样化,避免“基因”拥挤。其改进包括分割初始种群为多个小种群分别进化,控制进化次数相对较少,进一步维持多样性,提升因子表达能力避免过拟合。
|IC| 衡量因子单调性,即因子值排名与未来收益排名的相关性,偏重整体排序一致性; NDCG@k 聚焦多头端表现,给予表现优异多头组更高权重,反映策略实际多头收益贡献。二者结合既保证因子稳定排序,又注重实战多头盈利能力,提升行业轮动策略表现的稳定性和实用性。
因子挖掘覆盖26个输入变量(包括价格、成交额、换手率不同频率的标准化及统计指标),扩展64个PyTorch实现的算子(数学运算、截面和时序运算、时序切割等),并设置了合理的参数(种群规模2500,进化轮次10,交叉概率0.8,变异概率0.3),采用交叉验证思想(训练集、验证集、测试集划分,隔离未来收益窗口防止信息泄露),并以周频率调仓进行实际超额收益检验,同时使用t检验对因子失效进行过滤。
2022-09-30至2024-04-30的回测显示,双目标遗传规划构建的周频行业轮动综合因子策略,扣费前年化超额收益约25.74%,夏普比率1.7,最大回撤-21.47%,换手率适中(单边约13倍),相比月频模型年化收益6%-7%、换手率4倍多,优势显著。综合因子采用贪心策略合成,多因子筛选结合了因子之间相关性阈值,是实证上实现的因子多元优化成果。
对比单目标|IC|和NDCG@k作为适应度函数的遗传规划,单目标方法均明显跑输行业等权基准,尤其以NDCG@k为目标者表现最差(跑输基准)。这验证了双目标方法在因子挖掘中发挥的核心价值,也体现了因子单调性和多头收益的双重优化必要性。
优秀因子以时序切割因子和成交额相关变量为“优秀基因”,反映了“分域建模”思想及市场资金流动对行业轮动的重要作用。
硬件需求适中,普通笔记本即可完成全部演算,约8小时完成6个训练周期计算,具备实用推广潜力。
本报告的核心并不涉及传统的企业估值方法,而是应用机器学习和进化算法在行业轮动策略构建中的有效性验证。从回测绩效、夏普率、回撤和换手率等风险调整收益指标作为策略“估值”表现,证明策略优越性。双目标遗传规划的核心优势在于引入双目标评价指标与NSGA-II非支配排序实现多目标最优解的平衡,保证因子特征多样性和实战效率,而非单纯的财务估值模型。~15]
报告明确提醒以下风险:
总结来看,报告自洽且技术扎实,但未来跨场景的严苛验证、多样性强化机制及可解释性提升方向依然值得关注。
华泰证券本报告聚焦行业轮动策略的创新性因子挖掘技术,针对近年来市场主线弱化和行业轮动加速的投资环境挑战,系统提出并验证了双目标遗传规划模型。该模型兼顾因子单调性(|IC|)和多头组表现(NDCG@k)双指标,在保证因子多样性、防止种群拥挤的同时,通过NSGA-II进化算法高效挖掘表达能力强的量价因子组合。报告通过系统的实证分析证明该策略在2022年9月至2024年4月间实现了25.74%的年化超额收益,夏普比率达到1.70,回撤控制良好且换手率适中,显著优于传统月频模型及单目标遗传规划策略。
图表呈现方面,报告清晰使用净值累计图、市场主线指标趋势图,及因子组合与性能指标表,全面展示了策略构建流程和实际效果;附录列举了各重训练节点优秀因子表达式和性能指标,为策略透明度和复现提供支撑。
报告强调,虽双目标遗传规划在行业轮动领域展现出巨大潜力,但仍需不断优化算子设计、提升因子稳定性控制、加强跨市场及跨资产验证,以及关注因子失效风险管理。整体而言,本研究不仅推进了行业轮动模型调仓频率的前瞻探索,也为量价因子挖掘提供了创新路径,为投资智能化升级贡献了坚实的研究成果。
(全文分析共计约2000字)
金工深度研究:双目标遗传规划应用于行业轮动.pdf