【专题报告】基于排序学习的行业轮动模型-20230525-华创证券-23页_1mb

基于排序学习的行业轮动模型总结

核心内容

本文围绕排序学习（Learning to Rank, LTR）在量化投资中的应用，重点探讨了其在行业轮动模型中的表现与价值。排序学习是一种监督学习方法，通过训练模型对大量特征进行学习，从而实现对对象的排序，广泛应用于文档检索、推荐系统等领域。在量化投资中，排序学习能够通过学习行业特征，构建出行业未来走势的相对排序模型，为投资者提供智能化的投资决策支持。

主要观点

• 排序学习的逻辑与量化投资契合：排序学习关注的是行业间的相对优劣，而非单一行业的绝对表现，这与量化投资中通过多因子模型筛选行业、优化资产配置的思路高度契合。
• LGBMRanker模型的构建与应用：本文采用LGBMRanker模型，基于中信一级行业数据进行训练，构建了行业轮动策略，表现出优异的回测结果。
• 模型表现优异：该模型自2007年以来，年化绝对收益率为17.53%，超额年化收益率为9.81%，夏普比率为0.59，信息比率为0.921，周度胜率为53.65%，月度胜率为60.62%。
• 模型具有动态适应能力：通过滚动训练法，模型能够根据市场变化动态调整超参数，提升预测的时效性和准确性。
• 模型推荐行业表现良好：尤其在2023年一季度，计算机行业获得8次推荐，涨幅显著，优于等权行业。

关键信息

排序学习概述

• 定义：排序学习是通过机器学习方法对数据进行排序，以解决排序问题。
• 与传统分类和回归的差异：排序学习关注的是多个对象之间的相对排序关系，而非单个对象的分类或回归。
• 算法分类：
  • Pointwise Method：将排序问题转化为回归问题，简单但忽略对象间的相对关系。
  • Pairwise Method：通过比较文档对的相对关系进行排序，优化效果更佳，但计算复杂度高。
  • Listwise Method：直接对整个文档列表进行排序，更贴合排序问题本质，但计算复杂度也较高。
• 组合方法：如LambdaMart，结合Pairwise与Listwise方法，兼顾准确性和效率。

排序学习的评价指标

• NDCG（Normalized Discounted Cumulative Gain）：用于评估排序模型的性能，将DCG归一化，使得不同长度的排序列表可以比较。
• DCG（Discounted Cumulative Gain）：考虑文档位置和相关性得分，通过折损计算评估排序质量。
• CG（Cumulative Gain）：仅统计相关性得分的总和，无法反映排序的准确性。

LGBMRanker行业轮动模型

• 模型设计：
  • 特征选取：基于中信一级行业和万德全A的历史价量数据，计算不同时间段的分位数和超额价量指标。
  • 标签选择：将行业周涨跌幅分为6组，用于构建排序模型。
  • 训练方法：采用滚动训练法，使用过去54周的数据进行训练，使用前5周的数据进行验证。
  • 回测结果：自2007年以来，模型表现优异，年化绝对收益率为17.53%，超额年化为9.81%，夏普比率为0.59，信息比率为0.921。
• 模型推荐效果：
  • 周胜率：53.65%
  • 月胜率：60.62%
  • 行业推荐统计：每年推荐次数最多的行业中，除2022年外，其余年份均取得超额收益。
  • 行业表现：模型在2023年一季度推荐了计算机、通信、电力设备及新能源等行业，表现突出。

模型优势与局限性

• 优势：
  • 提供智能化、高效的投资决策工具。
  • 能够捕捉到未来表现较好的行业。
  • 动态调整模型参数，适应市场变化。
• 局限性：
  • 所有结果基于历史数据，不保证未来表现。
  • 需要大量的历史数据进行训练，对数据质量要求较高。

风险提示

• 所有统计结果和模型方法均基于历史数据，不代表未来趋势。
• 投资需谨慎，市场存在风险，模型不能保证收益。

团队信息

• 组长、首席分析师：王小川（同济大学管理学博士，2017年加入华创证券研究所）
• 高级分析师：秦玄晋（上海对外经贸大学硕士，2018年加入）
• 助理研究员：杨宸祎（美国伊利诺伊大学香槟分校硕士，CFA，2021年加入）

投资评级体系

• 公司投资评级：
  • 强推：预期未来6个月内超越基准指数20%以上。
  • 推荐：预期未来6个月内超越基准指数10%-20%。
  • 中性：预期未来6个月内相对基准指数变动幅度在-10%至10%之间。
  • 回避：预期未来6个月内相对基准指数跌幅在10%-20%之间。
• 行业投资评级：
  • 推荐：预期未来3-6个月内行业指数涨幅超过基准指数5%以上。
  • 中性：预期未来3-6个月内行业指数变动幅度在-5%至5%之间。
  • 回避：预期未来3-6个月内行业指数跌幅超过基准指数5%以上。

总结

本文系统地介绍了排序学习的基本概念、算法分类和评价指标，并探讨了其在量化投资中的应用，特别是基于LGBMRanker构建的行业轮动模型。模型在回测中表现出色，能够有效捕捉行业轮动趋势，为投资者提供超额收益。未来，研究团队将继续探索排序学习在量化投资中的更多应用价值，开发更多策略和模型。