人工智能系列之十一：人工智能选股之stacking集成学习-20180503-华泰证券-28页-3mb

报告摘要

人工智能选股之 Stacking 集成学习模型分析总结

核心内容

本报告探讨了Stacking 集成学习模型在多因子选股中的应用，并提出了一种改进的 Stacking 框架，以提升模型的预测能力和稳定性。报告通过对比测试和实证分析，展示了 Stacking 模型在金融数据预测中的优势，特别是其在控制回撤和提高超额收益方面的表现。

主要观点

Stacking 模型简介：
- Stacking 是一种集成学习框架，通常包含两层结构。第一层使用多个基模型生成预测值，第二层使用这些预测值进行进一步学习，从而提高整体预测性能。
- 在金融数据预测中，Stacking 模型能够有效结合不同模型的预测结果，提升预测的准确性和稳定性。
改进的 Stacking 模型：
- 本文提出的改进 Stacking 模型在第一层不仅使用不同模型，还使用差异化的训练数据，进一步增强模型输出的差异性，从而提升预测的稳定性。
- 这种改进适用于训练数据和预测数据分布不同的金融领域。
基模型选择：
- 通过定义适应度指标 $ S = \text{Sharpe} / \text{Corr} $，筛选出与 XGBoost_72m 集成效果最佳的基模型。
- 最适合与 XGBoost_72m 集成的模型为 XGBoost_6m 和逻辑回归_6m。
Stacking 模型的关键结论：
- 第一层应使用不同种类的基模型和训练数据，以达到最佳预测效果。
- 集成模型的数量并非越多越好，需保证基模型之间预测能力好且相关性低。
- 短的验证集长度（如2个月）有助于提高模型的超额收益和信息比率，降低最大回撤。
Stacking 模型表现：
- 最优模型（XGBoost_72m 与逻辑回归_6m 集成）在2011年2月至2018年4月期间，相对于中证500，年化超额收益在 $27.75% \sim 29.45%$，最大回撤在 $8.92% \sim 10.18%$，信息比率在 3.33~3.84 之间，Calmar 比率在 2.73~3.25 之间，其中 Calmar 比率提升最为显著。
模型预测值的单因子测试结果优秀：
- 该模型在单因子测试中表现优异，因子分5层测试的年化收益率为 $33.82%$，夏普比率为 5.03。
- 在2015年以来的测试中，因子表现更佳，IC均值为 $12.57%$，IR比率为 1.59，IC值大于零比例为 $94.74%$。
模型构建与测试流程：
- 使用月度滚动方法进行模型训练和测试，每个月末选取下月收益排名前30%的股票作为正例，后30%的股票作为负例。
- 模型构建包含数据获取、特征和标签提取、特征预处理、训练集和交叉验证集划分、样本外测试、模型评价等步骤。
对比测试结果：
- 对比测试1：Stacking1 和 Stacking2 相比单一模型（如 XGBoost_72m 和 XGBoost_6m）在年化超额收益率和信息比率上有显著提升，同时最大回撤更小，Calmar 比率更高。
- 对比测试2：不同验证集长度对模型表现有影响，2个月验证集的模型表现最佳。
- 对比测试3：增加基模型数量（如加入逻辑回归_6m）可进一步提升模型表现，但需注意基模型之间的相关性。

关键信息

模型选择：XGBoost_72m 与逻辑回归_6m 的组合表现最优。
验证集长度：2个月验证集有助于提升模型的稳定性。
因子池：包含70个因子，涵盖估值、成长、财务质量、杠杆、市值、动量反转、波动率、股价、情绪、技术、换手率、股东等。
回测区间：2011年1月31日至2018年4月27日。
回测方法：采用行业中性策略，每只股票视为一个样本，按因子大小分层配置，等权组合。
模型性能指标：
- 年化收益率：组合1为21.57%，多空组合为33.82%。
- 夏普比率：多空组合为5.03。
- 信息比率：组合1为3.58，多空组合为5.03。
- 最大回撤：组合1为46.97%，多空组合为6.17%。
- Calmar 比率：Stacking2 为3.25，XGBoost_72m 为2.73。

风险提示

Stacking 模型高度依赖基模型的表现。
若未来市场投资环境发生变化，导致基模型失效，Stacking 模型可能失效。

附录

传统 Stacking 与改进 Stacking 的区别：
- 传统 Stacking 使用相同训练数据和不同模型。
- 改进 Stacking 使用不同训练数据和不同模型，增强预测稳定性。
模型构建流程：
- 数据获取、特征和标签提取、特征预处理、训练集和交叉验证集划分、样本外测试、模型评价。
因子池：
- 包括估值、成长、财务质量、杠杆、市值、动量反转、波动率、股价、情绪、技术、换手率、股东等类别，每个类别下有多个具体因子。
模型测试流程：
- 每月末截面期选取下月收益排名前30%的股票作为正例，后30%的股票作为负例。
- 使用逻辑回归作为第二层模型，进行集成学习。
模型评价方法：
- 回测年化收益率、夏普比率、信息比率、最大回撤、胜率等。