2017-猎金-Alpha因子探索系列之六_39页_3mb

文档内容总结

核心内容

本报告由兴业证券金融工程团队撰写，旨在介绍一种基于机器学习的新型多因子选股模型——兴业Smart Alpha（SA）动态选股模型。该模型通过AdaBoost算法对传统因子进行动态优化，构建了一个具有更强预测能力和自适应性的因子，从而提升多因子选股模型的效果。

主要观点

• 模型构建：SA因子基于AdaBoost算法，通过动态选择有效因子并进行组合，形成一个非线性多因子模型，以提高因子的预测能力和稳定性。
• 模型表现：SA因子在2006年至2015年期间的RankIC月平均值高达9.16%，而经过改进的SA_12M_5SM因子的月Rank IC均值提高至10.09%，多空组合年化夏普比率高达3.08。
• 策略表现：基于SA_12M_5SM因子构建的量化对冲选股策略在考虑交易成本后，年化超额收益率达到16.31%，Sharpe比率2.79，最大回撤仅为4.93%。
• 模型改进：通过引入行业调整和日历效应的考虑，SA因子的表现得到了进一步优化，增强了模型的稳定性和适应性。

关键信息

1. 模型构成

• 因子池：包含6大类65个因子，最终选择33个因子作为训练数据源。
• 算法基础：使用AdaBoost算法，构建动态因子组合，提升因子的区分能力。
• 因子定义：SA因子是通过将弱分类器的输出加总得到的强分类器，用于衡量股票的强势程度。

2. 模型测试结果

• RankIC：SA因子的RankIC月平均值为9.16%，行业调整后提高至10.09%。
• 分位数组合表现：SA因子的分位数组合在年化收益率、夏普比率和信息比率方面均表现出色。
• 多空组合表现：SA因子的多空组合年化夏普比率达到2.73，SA_12M_5SM因子达到3.08。
• 回撤与波动性：SA_12M_5SM因子的最大回撤率仅为4.93%，且波动性较低。

3. 因子选择与风格轮动

• 因子选择：SA因子每期选择的因子风格多样，涵盖价值、成长、质量、动量、情绪和技术等多个类别。
• 风格轮动：模型在不同时间段偏好不同风格，如价值类因子在2009年前较为常见，成长类因子在2012-2014年较为突出。

4. 交易成本影响

• 换手率：SA_12M_5SM因子的换手率较高，策略对交易费率较为敏感。
• 交易费率测试：随着交易费率的增加，年化收益率和夏普比率下降，但即便在0.3%的费率下，策略仍能保持稳定超额收益。

5. 策略表现

• 回测结果：基于SA_12M_5SM因子构建的量化对冲策略在2007年至2015年间年化收益率为37.91%，显著高于中证500基准。
• 分年度表现：策略在所有年份均战胜基准，且在2015年表现尤为突出。
• 滞后成交表现：即使采用滞后成交方式，策略表现依然稳健，年化收益率为37.53%。

附录内容

• 因子池：包含6大类65个因子，具体定义见附录1。
• 算法流程：详细描述了AdaBoost算法在因子选择和组合中的应用。
• 图表与数据：提供了大量图表和数据表格，用于展示模型在不同时间段的表现、因子选择情况和策略回测结果。

结论

本文提出了一种基于机器学习的动态多因子选股模型，通过优化传统因子的使用方式，显著提升了因子的预测能力和策略的稳定性。SA_12M_5SM因子在多个方面表现优异，为量化投资提供了一个新的思路和方法。