加载中...
本报告针对多因子选股中因子合成的难题,尝试使用九种机器学习模型(逻辑回归、朴素贝叶斯、支持向量机、决策树及集成树模型、神经网络等)进行因子合成。通过在沪深A股全市场约2010至2020年的滚动训练与回测,机器学习方法在多头组合中表现出一定的增强作用,其中神经网络、随机森林和XGBoost表现最佳,决策树表现最差。异于传统等权或IC加权方法,机器学习能捕捉因子间非线性关系,提升了空头组合收益,尤其是技术面因子表现更优。报告还揭示了规模与估值因子有效性下降,财务质量因子重要性上升的趋势。样本量减少(中证500样本)时,机器学习效果减弱,线性模型表现反而更好。
| 加权方法 | 年化收益率 | 年化波动率 | 夏普比率 | 最大回撤 | Calmar比率 |
|---|---|---|---|---|---|
| 多头-等权法 | 30.76% | 26.18% | 1.18 | -44.44% | 0.69 |
| 多头-IC加权法 | 32.15% | 26.02% | 1.24 | -43.72% | 0.74 |
| 空头-等权法 | 8.21% | 28.94% | 0.28 | -84.60% | 0.10 |
| 空头-IC加权法 | 10.28% | 29.88% | 0.34 | -86.93% | 0.12 |
| 组合 | 年化收益率 | 年化波动率 | 夏普比率 | 最大回撤 | Calmar比率 |
|---|---|---|---|---|---|
| 基本面因子等权多头 | 23.1% | 26.9% | 0.86 | -48.2% | 0.48 |
| 基本面因子逻辑回归多头 | 23.1% | 26.5% | 0.87 | -45.1% | 0.51 |
| 技术面因子等权多头 | 22.3% | 24.6% | 0.90 | -43.9% | 0.51 |
| 技术面因子逻辑回归多头 | 22.0% | 25.9% | 0.85 | -49.1% | 0.45 |
核心论点和投资提示:
报告回顾了量化投资中的多因子选股理论起源及发展:
总结来看,集成模型和神经网络在多头组合中表现突出,决策树单模型表现较差。–
报告侧重于因子合成和模型表现,无传统企业估值分析内容。
风险提示及免责声明充分体现模型局限,避免投资者过度依赖。
本文全面评估了机器学习在多因子选股中因子合成的应用效果,结合大量实证回测与模型对比,得出以下关键结论:
综上,本报告的主要贡献在于系统性地评估和比较了机器学习九大模型在多因子组合优化中的表现,佐证了机器学习技术融合传统金融因子分析的可行性及优势,且提供了丰富的实证图表和数据支持,为投资实践提供了明确且务实的参考导向。
以上分析同步严格引用报告页码,全面覆盖报告全文内容,力求为投资研究和实际应用提供科学详实的依据。
机器学习系列报告之二:机器学习合成非线性因子 增强效果如何?.pdf