20211214-东兴证券-海外文献速览系列之十二_基于动态因子调整的可持续量化选股策略_19页_1mb

报告摘要

基于动态因子调整的可持续量化选股策略总结

核心内容

本文介绍了Yi Fu、Shuai Cao和Tao Pang在2020年5月发表的《A Sustainable Quantitative Stock Selection Strategy Based on Dynamic Factor Adjustment》，提出了一种基于分类概率预测（CPP）和动态因子调整的量化选股策略。该策略旨在提高选股的准确性和容错率，以适应不同市场环境下的投资需求。

主要观点

传统的量化选股方法存在两个主要问题：一是预测目标设定过于简单（如仅预测股票涨跌），二是因子选择静态化，无法适应市场变化。
本文提出的CPP量化选股策略通过动态因子选择和分类概率预测，提升了模型的适应性和鲁棒性。
策略设计包括四个步骤：构建股票池并分类；构建训练集和测试集；使用随机森林（RF）模型动态选择因子；使用XGBoost模型对股票进行分类预测，选择预测概率最高的股票池。
该策略在回测中表现优异，尤其是在牛市、熊市和波动市场中均能实现正超额收益。

关键信息

策略设计流程

构建股票池：选取中国A股市场中非ST股票、非新股（上市时间不少于60天）。
因子分类与筛选：
- 使用随机森林模型对因子进行重要性评估，确保所选因子的累积重要性达到80%。
- 选取的因子包括质量因子、基本面因子、情绪因子、成长因子、风险因子、股票因子、动量因子、技术因子和风格因子。
分类概率预测：
- 使用XGBoost进行多类预测，将股票分入5个收益率区间。
- 按照概率降序排列股票，将前20只股票纳入股票池。
止损机制：
- 使用RSRS指数止损模块，以提高策略的稳定性。

回测分析结果

回测时间：2013年11月至2019年12月。
回测结果：
- 年化收益率：57%。
- 夏普比率：2.21。
- 最大回撤：21%。
- 卡尔马比率：2.71。
- 超额收益表现：
  - 波动市场：30.29%（2013年11月1日-2014年8月31日）。
  - 牛市：94.40%（2014年9月1日-2015年5月31日）。
  - 熊市：80.58%（2015年6月1日-2015年12月31日）。
  - 波动市场：86.63%（2016年1月1日-2019年12月31日）。
模型对比：
- XGBoost + RSRS组合表现优于RF + RSRS、RF + MACD、XGBoost + MACD。
- XGBoost分类预测的回测表现优于XGBoost回归预测。

回测参数设置

初始资金：1000万元。
交易频率：每月一次。
止损方式：RSRS指数止损。
滑点：0.2%。
交易佣金：买入0.03%，卖出0.03%+0.1%印花税。
每笔交易最低扣除5元。

策略优势

动态因子调整：通过随机森林模型动态筛选最优因子，提高因子的有效性。
分类概率预测：将股票分入5个收益率区间，按概率排序选择股票，提高容错率。
适应性强：在不同市场环境下（牛市、熊市、波动市场）均能实现超额收益。

风险提示

本报告内容基于历史数据回测，不构成投资建议。
模型在市场环境变化时可能存在失效风险。
回测结果与实际投资结果可能存在差异。

总结

本文提出了一种基于动态因子调整和分类概率预测的可持续量化选股策略，通过机器学习方法提高因子选择的动态性和预测的准确性。回测结果显示，该策略在不同市场环境下均能获得良好的超额收益，是一种具有应用潜力的量化选股方法。

我们的点评

作者在因子动态调整和分类概率预测方面展现了显著的创新，提升了策略的适应性和鲁棒性。
该策略在牛市、熊市和波动市场中均表现良好，具有较高的实用性。
需要关注市场流动性、信息噪声以及模型在实际应用中的表现，未来仍需进一步研究和优化。

参考文献

Yi Fu, Shuai Cao, Tao Pang. A Sustainable Quantitative Stock Selection Strategy Based on Dynamic Factor Adjustment[J]. Sustainability, 2020, 12(10): 3978.