20180708-华泰证券-人工智能选股周报_本周模型在全A选股表现较好_13页_1mb

报告摘要

金工研究/量化投资周报总结

核心内容

本报告为华泰证券金工团队发布的2018年7月8日人工智能选股周报，分析了7种机器学习模型在不同股票池中的表现，包括全A选股和指数内选股。报告指出，人工智能模型在多因子选股中表现出一定优势，但存在失效风险和可解释性低的问题。

主要观点

模型表现：
- 全A选股（沪深300行业市值中性）：神经网络表现最好，本周超额收益为0.36%。
- 全A选股（中证500行业市值中性）：SVM表现最好，本周超额收益为1.21%。
- 沪深300指数内选股：逻辑回归表现最好，本周超额收益为0.26%。
- 中证500指数内选股：朴素贝叶斯表现最好，本周超额收益为-0.26%。
- 中证800指数内选股：随机森林表现最好，本周超额收益为0.70%。
历史表现：
- Stacking模型：2018年以来超额收益最高（4.93%），RankIC均值为0.118。
- 逻辑回归模型：2018年以来超额收益最高（2.80%），在沪深300成分内选股RankIC均值为0.081。
- 随机森林模型：2018年以来超额收益最高（3.91%），在沪深300成分内选股RankIC均值为0.111。
回测条件：
- 所有模型使用统一回测条件，包括剔除ST、停牌、上市3个月内的股票。
- 使用70个因子作为特征，涵盖估值、成长、动量翻转、波动率、换手率、情绪、技术、市值等。
- 特征处理包括中位数去极值、缺失值填充（行业平均）、行业市值中性化、标准化。
交易费用：
- 单边交易费用为千分之二。
模型分类：
- 模型包括Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归、神经网络。
模型应用：
- Stacking模型目前仅应用于全A选股，后续将研究其在指数内选股的应用。
- 每种模型构建了5种多因子选股策略，分别针对不同股票池。

关键信息

各模型本周、最近一个月和2018年以来超额收益表现

模型	本周超额收益	最近一个月超额收益	2018年以来超额收益
神经网络	0.36%	1.65%	4.93%
SVM	1.21%	4.62%	9.16%
朴素贝叶斯	-0.26%	0.92%	2.80%
随机森林	0.70%	1.63%	3.91%
逻辑回归	0.26%	1.41%	3.76%
XGBoost	-0.26%	1.63%	2.80%
中证500	-4.24%	-4.24%	-4.24%

各模型2018年以来RankIC均值

指数池	模型	RankIC均值
全A选股	Stacking	0.118
沪深300成分内选股	随机森林	0.111
中证500成分内选股	逻辑回归	0.081
中证800成分内选股	SVM	0.088

各模型2011年以来详细回测绩效

模型	年化收益率	年化波动率	夏普比率	最大回撤	年化超额收益率	年化跟踪超额收益误差最大回撤	信息比率	Calmar相对基准比率	月胜率	换手率
Stacking	6.64%	23.43%	0.28	42.30%	5.42%	4.07%	5.16%	1.33	1.05	60.67%
SVM	8.14%	23.08%	0.35	41.51%	6.83%	3.62%	4.59%	1.89	1.49	70.79%
朴素贝叶斯	6.21%	23.44%	0.26	41.92%	5.00%	3.99%	9.73%	1.25	0.51	60.67%
随机森林	7.81%	22.92%	0.34	40.75%	6.47%	3.57%	5.14%	1.81	1.26	69.66%
XGBoost	7.79%	23.20%	0.34	40.85%	6.52%	3.61%	4.89%	1.81	1.33	65.17%
逻辑回归	7.12%	22.58%	0.32	41.95%	5.70%	3.79%	6.46%	1.5	0.88	61.80%
神经网络	7.73%	22.72%	0.34	39.98%	6.33%	3.83%	4.86%	1.66	1.3	66.29%