本报告提出并实证了一套基于日频量价数据的全流程人工智能选股体系:用遗传规划自动挖掘线性/非线性因子、以随机森林等机器学习模型合成因子并通过 SHAP 做可解释性分析,回测显示合成因子五因子中性后 RankIC 均值约 8.87%,TOP 组合年化超额约 9.65%,将该合成因子加入传统因子模型可使中证500增强策略年化超额平均提升约 1.38%(信息比率提升约 0.14),表明该体系能提供独立增量 alpha,但也面临因子失效与机器学习过拟合风险 .
| 数据项 | 含义 |
|---|---|
| return1 | 个股日频收益率(后复权) |
| open, close, high, low, volume, vwap | 日频价量数据 |
| turn, free_turn | 日频换手率、自由流通换手率 |
| 指标 | 合成因子(五因子中性) |
|---|---|
| RankIC 均值 | 8.87% |
| RankIC 标准差 | 7.66% |
| IC_IR | 1.16 |
| IC>0 占比 | 85.59% |
一、元数据与概览(引言与报告概览)
二、逐节深度解读(按报告结构逐章分析)
挖掘方法及关键环节:适应度选择(RankIC偏向线性因子,互信息偏向非线性因子);增量信息挖掘需正交化/残差化处理(作者提出以残差收益率为目标的挖掘循环以提升效率);并行/高性能计算(如Bottleneck或C/C++)用于提升计算速度。
图表示例与证据:以RankIC适应度挖掘出的线性因子分层表现(图表3)显示第一层明显跑赢其他层,证明可挖掘出正向线性信号;以互信息为适应度挖掘出的非线性因子(图表4)则呈现不同的层次收益结构,说明互信息能捕捉非单调关系的信号。
残差目标法说明:作者比较了两种正交化思路——(a)将候选因子与已有因子正交化后再计算适应度(时间成本高,约占适应度计算时间70%),(b)先用全部已有因子回归收益得到残差收益率,再用残差收益率作为挖掘目标(效率更高)。作者采用方法(b)并建议在变量间存在非线性结构时可用KPCA进行非线性降维再回归。
实操设置:滚动挖掘逻辑为每隔一年使用过去6年数据,种群大小500、演化4代、最多5轮挖掘,筛选阈值为适应度>0.015进入候选池,并在候选池内去除高度相关(截面相关系数绝对值>0.8)且适应度较低的因子。
挖掘输出示例:报告列举了若干具体生成式(例如 ts_corr(div(vwap, high), high, 10) 等),并给出各时间点挖掘出的因子数量(例如2011-01:146个,2019-01:140个),显示每期均能产出百级候选因子。
三、图表与图像逐一解读(关键图表逐项说明与解读) (按报告列出的主要图表,逐一说明图示内容、解读与对文本论点的支持,并以 markdown 嵌入图片)
图表1(图示AI如何融入多因子流程,page 4)说明了遗传规划对应“因子生成”,机器学习(树模型/神经网络)对应“多因子合成”,组合优化目前仍以Barra/二次规划为主并标示强化学习为未来研究方向,图形化支持文本有关“AI已能融入前两步”的论断。
图表2(体系流程图,page 5)直观列出原始量价→遗传规划→机器学习合成→可解释性模块,图中明确将RankIC与互信息分别用于挖掘线性/非线性因子,并标注残差收益率作为增量信息挖掘目标,支持方法学说明。
图表3 & 图表4(挖掘出的线性/非线性因子分层回测,page 6):图3(以RankIC适应度)显示第一层(红线)明显上行且分离,说明生成出的线性因子具有稳定截面相关性;图4(以互信息适应度)则显示不同层次的非线性表现,证明互信息适应度能产出非单调关系的信号,两图共同支持“不同适应度指标能挖掘不同类型信息”的主张。
图表8(多轮以残差收益率为目标的遗传规划流程示意,page 10)展示循环挖掘、进化、进入备选池、去相关筛选与利用回归残差更新预测目标的闭环,形象化了报告中关于提高挖掘增量信息与效率的操作细节。
图表12(合成因子IC统计表,page 12)量化结果:合成因子原始RankIC均值9.61%,行业市值中性后9.66%,五因子中性后8.87%;五因子中性后的IC_IR为1.16且IC>0占比85.59%,表明合成因子在去除常见风格后仍具有显著截面预测力,支撑“合成因子提供增量信息”的结论。
图表13(累计RankIC图,page 12)显示合成因子及其中性化版本在样本期内的累计RankIC持续上升,视觉上支持IC均值与稳定性的断言。
图表14 & 图表15(分层测试与五因子中性化后的分层净值图,page 13)显示经过五因子中性后,Top组(第一层)年化超额收益为9.65%,多空年化收益28.20%,多空夏普/信息比率显著(例如信息比率=3.08),表明合成因子的分层效果稳定且具有经济意义。
图表16~18(对中证500的行业市值中性增强策略回测表与累计超额收益图,page 14)具体量化了当不同单股权重偏离上限(0.5%至2%)时的年化超额收益与风险指标:例如单股偏离上限=1.5%时年化超额收益约16.55%,信息比率/Calmar等指标显示较好风险调整后的表现,并绘出累积/短期回撤剖面(图18),展示策略在不同市场年份的表现差异。
图表19~21(模型2=传统88因子+XGBoost 与模型3=模型1+模型2的对比,page 15)对比显示:叠加“遗传规划+随机森林”合成因子后(模型3),相较于仅用传统因子模型(模型2),在4种单股权重限制下平均年化超额收益提升约1.38%,信息比率平均提升0.14,图21直观显示模型3的累积超额收益始终优于模型2,量化支撑“增量超额收益”结论。
图表22 & 图表23(随机森林模型的|SHAP|均值与SHAP分布,page 16)说明模型在2019-07训练时的因子重要性排序与单因子对模型输出的局部贡献分布:alpha125、alpha89、alpha75等在|SHAP|均值上位列前茅,SHAP分布图可区分线性正向/负向或非线性使用模式,证明可解释性工具能揭示模型如何“用”这些遗传规划生成的因子。
因子示例深度解析(alpha125, alpha89, alpha103,pages 16-18):
alpha125(ts_corr(sub(open,free_turn),close,10):分层测试表明为正向线性因子,但Top两层区分较小且第二层更稳定;SHAP散点显示factor_value<1时呈正向关系,factor_value>1时贡献趋于平缓,说明模型对高值区域的权重不随值线性上升,符合分层表现。
alpha89(rank_mul(turn, add(high, volume))):分层与SHAP显示为反向线性因子(高值→负贡献),但在低值区域模型贡献平稳,反映模型对极端低值/高值处理的非对称性。
alpha103(ts_corr(high,low,20)):展示明显的非线性使用模式——当因子值<0.5时贡献近似正向线性;大于0.5时贡献下降,体现了随机森林的非线性拟合能力与模型对非单调关系的捕捉能力。
附录中KPCA示例(图30、图32,pages 20-21):作者用KPCA示例说明当因子/变量存在非线性相关时,KPCA(或核方法)能提升对残差收益率提纯的效果。报告的三组对比测试(线性回归、PCA+回归、KPCA+回归)在平均R^2与F值上显示KPCA+回归优于其他两组(R^2≈0.1546,F≈4.3178),支持将KPCA用于残差提纯的建议。
高性能计算工具(Bottleneck,page 22):作者建议在因子挖掘中使用Bottleneck以显著提高矩阵/滚动运算速度,并给出多项函数场景下Bottleneck相对numpy的加速倍数表,强调算力对遗传规划效率的实际影响(例如在一些滚动统计上速度可提升数十倍至上千倍)。
四、估值/绩效量化汇总(结果总结与敏感性)
五、风险因素评估(报告列举与我方解读)
六、批判性视角与方法学细微之处(审慎评估)
七、结论性综合(紧扣全篇最重要发现)
八、附带参考图表(文中已嵌入若干关键图像)
作者/机构原始观点与本分析的溯源参考(部分关键页码):资料与结论主要来源于报告正文与图表,详见页码引用。
(如需我把上述分析转为便于程序化审阅的逐页映射索引或导出为可复现的回测/参数清单与代码片段,我可以进一步生成更技术化的清单和复现步骤。)
基于量价的人工智能选股体系概览.pdf