报告基于金股数据库2.0版本,扩充了分析师推荐金股的指标维度,并通过IC动量挖掘、OLS回归、遗传规划和神经网络模型等多种方法合成分析师推荐因子,开展增强组合策略开发。不同合成因子的回测显示IC动量挖掘因子表现最好,年化收益率达到33.52%,夏普比1.27,且复杂模型提升有限,原因包括市场时变规律与低信噪比。
表2: 合成分析师推荐因子使用的基础指标
| 指标编号 | 指标名称 |
|---|---|
| 指标1 | 统计期-推荐成功率 |
| 指标2 | 统计期-推荐产生超额概率 |
| 指标3 | 统计期-行业公平-决策成功率 |
| 指标4 | 统计期-赔率 |
| 指标5 | 统计期-最高价距推荐日天数 |
| 指标6 | 统计期-推荐成功率-剔除前5交易日 |
| 指标7 | 统计期-收益率_剔除前5交易日 |
| 指标8 | 统计期-月夏普比 |
| 指标9 | 近1年-推荐成功率 |
| 指标10 | 近1年-产生超额概率 |
| 指标11 | 近1年-行业公平_决策成功率 |
| 指标 | GP_advanced | GP_basic | IC_positive | IC_positive6 | NN_expanding_c5 | NN_r3_c5 | OLS | winning_percentage |
|---|---|---|---|---|---|---|---|---|
| 累积净值 | 1.83 | 1.84 | 2.16 | 2.15 | 1.14 | 0.97 | 1.63 | 2.12 |
| 年化收益率 | 25.51% | 25.57% | 33.52% | 33.3% | 4.86% | -1.26% | 19.95% | 32.42% |
| 夏普比率 | 0.93 | 1.07 | 1.27 | 1.30 | 0.17 | -0.12 | 0.78 | 1.13 |
| 最大回撤 | -24.32% | -20.25% | -28.10% | -27.45% | -20.90% | -26.13% | -30.03% | -24.98% |
| 最大回撤开始时间 | 2021-11 | 2021-11 | 2021-08 | 2021-08 | 2021-08 | 2021-12 | 2021-08 | 2021-08 |
| 最大回撤结束时间 | 2022-04 | 2022-10 | 2022-04 | 2022-04 | 2022-04 | 2022-04 | 2022-10 | 2022-04 |
| 年化收益/回撤比 | 1.05 | 1.26 | 1.19 | 1.21 | 0.23 | -0.05 | 0.66 | 1.30 |
GP_basic:
GP_advanced:
采用4个关键指标作为输入,通过训练不同窗口(扩展窗口与滚动窗口)、不同分类数(2分类与5分类)模型尝试捕捉更细致信号。
NN_expanding_c2(扩展窗口,2分类):
NN_r3_c5(滚动3个月窗口,5分类):
NN_expanding_c5(扩展窗口,5分类):
本报告核心为量化策略开发和实证分析,未涉及传统企业估值方法(如市盈率、DCF等)。因而估值分析不适用。
本报告针对金股数据库1.0版本在指标和公平性方面的不足,开发了2.0版本,显著丰富了分析师推荐金股的多维质量指标,尤其引入行业公平调整、赔率和风险收益特征。通过构建包含11个基础指标的全量数据库,系统性挖掘分析师推荐中的有效信息。
报告重点尝试了多种机器学习组合策略构建方法,包括IC动量法、OLS回归、遗传规划,以及神经网络,旨在合成更具预测力的分析师推荐因子。通过大量历史数据回测与IC指标分析,发现:
结构化指标丰富准确,结合机器学习靶向挖掘,虽面临现实限制,但为量化分析师推荐体系提供了科学基础。报告提醒用户注意模型结果的历史性,非投资建议性质,呼吁综合考虑市场环境和风险。
整体看,金股数据库2.0版本和基于此的增强策略为分析师推荐信号的量化处理开辟了新路径,同时揭示金融市场信号提取的固有难题,为未来量化研究提供重要经验和改进方向。
《金股数据库及金股组合增强策略(二)》是一份系统且深入的量化研究报告,全面升级了金股数据库,开发并比较了多种增强组合策略,强调了数据多维刻画和模型复杂度的权衡,并以丰富的统计数据和大量回测结果佐证了结论。可为金融工程及量化投资领域从业者提供理论思路和实证参考,具有较强的研究价值与现实启示。
金融工程深度:金股数据库及金股组合增强策略(二).pdf