20240613-国金证券-Beta猎手系列之九_人工智能全球大类资产配置模型_19页_2mb

报告总结：机器学习在大类资产配置中的应用

背景

机器学习在量化投资领域的应用较为广泛，但在资产配置等定价研究方面仍较少。本次研究首次将机器学习模型应用于大类资产配置，基于因子投资思路构建量化配置策略。

方法

1. 数据选择与处理

   • 选取11种大类资产（股票、债券、商品等），基于开盘价、高低价等生成154个量价因子。
   • 特征处理采用CSMinMax标准化，标签采用ret_CSZScore。
   • 模型选择树模型类方法（如LGBM与XGBoost），避免小样本下过拟合。

2. 模型优化

   • 对比不同特征/标签处理方式及模型组合，发现LGBMDART模型在特征截面标准化下表现最优。
   • 因子IC均值高达900%，置信值（IC_IR）达2.5，因子衰减较慢（第2月IC均值仍显著）。

策略表现

• 多头组合：年化收益率1334%，夏普比率1.105，最大回撤85.3%。
• 多空组合：年化超额收益14.74%，最大回撤仅5.97%（2021-2024回测期）。
• 相比等权配置基准（年化205%），策略绝对收益显著（超额收益1474%）。

优化措施

• 波动约束：将组合年化波动率控制在6%以内，Sharpe比率提升至1.28，年化收益降至7.86%。
• 参数测试：手续费0.3%、持仓资产3-5档时策略表现稳健。

风险提示

• 回测结果依赖历史数据，市场环境变化可能导致模型失效。
• 交易成本增加或资产选择差异可能影响策略表现。

结论

本次研究验证了机器学习在大类资产配置的可行性，通过数据处理与模型优化显著提升策略收益。未来需结合宏观数据及分域学习进一步改进模型泛化性。