多因子Alpha系列报告之（三十六）：机器学习多因子动态调仓策略-20180426-广发证券-30页-1mb

机器学习多因子动态调仓策略总结

核心内容

本报告探讨了基于机器学习的多因子动态调仓策略，旨在通过预测因子未来表现，实现因子权重的动态调整，以提高多因子选股策略的Alpha收益。传统因子如规模、反转和流动性因子在2017年以来表现不佳，表明因子择时的重要性。

主要观点

• 因子择时的重要性：传统因子表现不佳，因子择时能有效捕捉风格轮动，提高策略收益。
• XGBoost模型的应用：采用XGBoost模型预测因子未来IC值，结合因子方向动态调整权重，提升策略表现。
• 换手率的影响：高换手率虽然提高策略收益，但也增加了交易成本，限制换手率能有效提升策略的稳定性。
• 模型滚动训练的优势：滚动训练能更好地追踪市场风格变化，策略表现优于固定模型和因子等权策略。

关键信息

一、背景介绍

1. 主流因子历史表现

   • 规模、反转和流动性因子在2017年以来表现明显回撤，导致主流多因子策略收益不佳。
   • 选取了盈利、质量、成长、估值、规模、流动性、技术等7大类因子，其中ROE、ROE同比、EP为正向因子，流通市值、月成交金额、股价反转为负向因子。
   • 通过分位数变换进行因子标准化，避免极端值影响。

2. 因子择时理论

   • 分为两类：基于因子IC序列的动量或反转效应，以及基于宏观经济和市场变量的预测模型。
   • XGBoost模型能够捕捉因子IC序列与外部变量之间的非线性关系，具有较高的可解释性和性能。

二、因子择时框架

1. 风格因子的选取

   • 选取7个典型因子，分别对应7大类风格因子。
   • 每个因子通过分位数变换标准化。

2. 外部变量的选取

   • 市场变量：沪深300和中证500的涨跌幅、波动率、换手率（一阶差分和变化率处理）。
   • 宏观变量：CPI同比、M1同比、M2同比、SHIBOR1W、PPI同比、PMI、美元兑人民币汇率（一阶差分和变化率处理）。

3. XGBoost模型简介

   • 提升树模型，通过组合多个决策树实现非线性建模。
   • XGBoost是梯度提升树的高效实现，具有高准确性和稳定性。
   • 决策树模型通过分裂节点实现特征选择，具有分析特征重要性的能力。

三、多因子动态调仓策略

1. XGBoost预测模型

   • 每周调仓，预测因子未来一期IC值，动态调整因子权重。
   • 正向因子权重为IC值，负向因子权重为-IC值，若IC值为负则权重为0。
   • 预测因子IC值与实际IC值之间的平均绝对误差显著降低。

2. 特征重要性分析

   • 中证500波动率和M1同比增长率是预测因子IC的重要特征。
   • 特征重要性分析有助于理解模型的预测依据，但本报告未进行特征筛选。

3. 多因子动态调仓策略效果

   • 采用XGBoost模型，样本外累积收益率达到88.18%，年化收益率为17.12%，信息比为1.30。
   • 与因子等权策略相比，信息比提高，但最大回撤增加。
   • 通过限制换手率，策略表现进一步提升。

四、实证分析

1. 因子等权策略实证结果

   • 样本外累积收益率为55.83%，年化收益率为11.73%，最大回撤为-11.26%。
   • 与XGBoost模型策略相比，表现较弱。

2. 限制换手率的策略实证结果

   • 缓冲池设置为股票池总数的5%、10%和15%。
   • 当缓冲池占比为10%时，策略表现最佳，年化收益率提高61.4%，信息比提高1.35倍。
   • 换手率降低38.2%，策略稳定性增强。

3. 模型滚动训练的策略实证结果

   • 每季度更新模型，保持训练集样本数量一致。
   • 样本外累积收益率达到107.89%，年化收益率为20.08%，信息比为1.74。
   • 换手率为27.33%，胜率为63.21%，最大回撤为-7.68%。
   • 滚动训练模型在市场风格稳定和剧变的年份均表现优异。

五、总结

• 策略表现：基于XGBoost模型的多因子动态调仓策略在样本外表现优于因子等权策略和固定模型策略。
• 换手率优化：限制换手率能有效提升策略的稳定性，但需在Alpha收益与交易成本间权衡。
• 模型滚动训练：能更好地适应市场风格变化，提升策略整体表现。
• 未来展望：因子择时策略在捕捉市场风格轮动方面具有显著优势，但需注意模型的适应性和市场变化。

表格与图表索引

• 图1：主流因子历史累积收益率曲线
• 图2：因子择时整体框架示意图
• 图3：宏观因子处理前后分布对比图
• 图4：CART示意图
• 图5：XGBoost建树示意图
• 图6：固定预测模型与滚动预测模型示意图
• 图7：ROE因子的IC预测模型（固定）特征重要性示意图
• 图8：XGBoost模型与风格动量模型的风格轮动秩相关系数对比图
• 图9：因子等权策略的样本外净值曲线
• 图10：基于风格动量的多因子策略的样本外净值曲线
• 图11：基于XGBoost模型的多因子策略因子权重
• 图12：基于XGBoost模型的多因子策略的样本外净值曲线
• 图13：因子等权策略与动态调仓策略换手率对比图
• 图14：不同换手率限制下动态调仓策略样本外的净值曲线
• 图15：基于XGBoost模型（滚动）的多因子策略因子权重
• 图16：因子等权策略与动态调仓策略（滚动训练）复合因子IC对比
• 图17：基于模型滚动训练的多因子策略的样本外净值曲线
• 图18：因子等权以及两种动态调仓策略的样本外净值曲线

表格索引

• 表1：常见因子历史IC统计表
• 表2：所选因子及其分类
• 表3：所选的外部变量及其处理方法
• 表4：XGBoost模型超参数
• 表5：预测的因子IC与实际因子IC的平均绝对误差统计表
• 表6：XGBoost模型与风格动量模型的风格轮动秩相关系数
• 表7：单因子选股与单因子择时选股表现对比
• 表8：因子等权策略的样本外表现
• 表9：基于风格动量的多因子策略的样本外表现
• 表10：基于XGBoost模型的多因子策略的样本外表现
• 表11：三种多因子策略样本外的回测表现对比
• 表12：不同换手率限制下动态调仓策略样本外的回测表现对比
• 表13：因子等权策略和动态调仓策略的复合因子IC对比
• 表14：基于模型滚动训练的多因子策略的样本外表现
• 表15：因子等权以及两种动态调仓策略的回测表现对比
• 表16：因子等权以及两种动态调仓策略分年度表现