本报告探讨了在人工智能量化选股模型中使用另类标签(信息比率和Calmar比率)替代传统收益率标签的优势,通过多训练期长度的实证测试,发现另类标签在提升全A股模型的超额收益率和信息比率方面表现显著优于收益率标签。报告进一步采用集成学习方法,将多模型预测结果融合,实现超额收益和信息比率的稳定提升,并在全A股、中证500和中证800等多个股票池中进行回测验证,体现了模型的稳健性和优越性。
报告标题:提升超额收益:另类标签和集成学习
作者/研究员:林晚明、陈烨、李子钰、何康、王晨宇
发布机构:华泰证券
发布日期:2020年12月21日
页数:35页
主题:量化投资中人工智能选股模型的标签构建,聚焦“另类标签”及集成学习,提高选股策略超额收益。
核心论点:
本报告系统论述了在人工智能选股模型中,传统的以未来收益率为标签的方法存在信息利用不足和交易拥挤风险,提出了利用“另类标签”(信息比率和Calmar比率)及集成学习方法来提高模型超额收益能力和稳定性。通过大量多期训练长度(6个月至72个月,共67种情形)的实证测试,发现另类标签在全A股市场尤其突出,而集成学习进一步强化模型优势,显著提升超额收益率、信息比率和Calmar比率。报告同时指出另类标签模型回撤较大,风险需要谨慎管理。
标签定义:
收益率标签:以未来一段时间股票超额收益率为目标。
信息比率标签:超额收益相对于超额收益的波动率(跟踪误差)的比值,衡量风险调整后的表现。定义为
[ IR = \frac{\frac{P_{t+1}}{P_t} - \frac{B_{t+1}}{B_t}}{\sigma_2} ]
Calmar比率标签:超额收益相对于超额收益最大回撤的比率,衡量收益与最大可能亏损的关系。定义为
[ Calmar = \frac{\frac{P_{t+1}}{P_t} - \frac{B_{t+1}}{B_t}}{MaxDD} ]
合理性说明:
测试设计创新:
数据方案:
模型框架:
标签标注预处理:
全A股市场结果:
中证500及中证800成分股:
因子重要性分析:
思想:
实证:
内容:展示三种标签(收益率、信息比率、Calmar比率)在不同训练期长度(6个月到72个月)训练模型的测试设计流程。
解读:该图体现报告处理样本异质性和模型训练多样性的严谨设计,进一步保障实验结果的统计意义和扩大样本容量,为集成学习提供基础。
内容:各训练期长度和标签生成的模型预测结果作为单因子,采用三种传统因子合成方式进行集成。
解读:直观说明集成学习的操作路径和策略实现手段,体现多模型协同优势。
图表7:三标签在全A股的相关系数矩阵,收益率与信息比率高达0.95,说明模型标签侧重点重合。
图表8:标签值的分布直方图,显示Calmar分布明显偏斜和更宽的尾部,暗示更高的波动性和潜在的风险控制信息。
文本关联:支持另类标签的差异性和模型使用价值的基础事实。
展示以Calmar比率标签和收益率标签训练的中证500增强策略四个关键指标随训练期长度变化的对比。
主要发现:
解读:Calmar标签提高了风险调整后的收益,但伴随更大波动风险。
对比信息比率标签与收益率标签在中证800的年化超额收益率、信息比率、Calmar比率和最大回撤表现。
发现:
提示:信息比率标签提供了潜在的收益增强路径,但风险控制效果有限。
总结图表解读:图表和数据丰富,全面证实了另类标签和集成学习在不同股票池、不同训练期下均表现出优异的提升效果,但风险特征有侧重差异,投资者需平衡收益与回撤。
本报告聚焦于量化选股策略构造和性能评估,没有涉及传统意义的公司估值或市场估值,但其基于回测收益率、信息比率和Calmar比率作为模型性能的评价标准,实质上进行了一种策略“价值评估”。模型使用基于CatBoost的非线性因子组合,采用收益风险指标和最大回撤限制作为优化目标,不直接涉及折现率或市盈率等估值模型输入。
报告明确提示:
潜在偏见与局限:
内部逻辑矛盾:
模型解释性缺乏细化:
本文创新性提出并系统验证了量化选股中“另类标签”(信息比率和Calmar比率)替代传统收益率标签的有效性,结合了丰富的因子池和多训练期长度的CatBoost模型训练设计,实证结果显示:
综上,报告在人工智能量化投资领域提出了具有实证支持的创新标签构造思路与集成方法,提供了切实提升超额收益的策略框架,具有较高的理论与实务价值,5,6,11,13,14,15,16,19,20,21,28-32]。
图表1:在多种训练集长度下测试
图表8:全A股中三种标签的取值分布直方图
图表13:中证500增强策略年化超额收益率对比
图表14:中证500增强策略信息比率对比
图表15:中证500增强策略Calmar比率对比
图表16:中证500增强策略超额收益最大回撤对比
图表8、17、27等标签分布与相关性图,直观反映标签设计效果。集成模型回测指标提升结果详见图表40-46页。
总结:此份研究报告系统地从人工智能选股标签构建创新、模型训练设计、实证比较、因子解读到集成学习优化多个维度,提供了方法论和操作指引,数据详实且多维度验证,具有代表性和实操指导价值。未来可进一步拟合风险控制动态机制,改善另类标签模型回撤问题。
,1,4,5,6,7,8,11,13,14,15,16,19,20,21,28]
20200319-华泰证券-人工智能系列之二十九:提升超额收益,另类标签和集成学习.pdf