20180831-华泰证券-人工智能选股周报_今年Stacking超额收益为_8.21__13页_1mb
报告摘要
华泰人工智能选股模型周报总结
核心内容概述
本报告是华泰证券金工研究团队发布的2018年9月2日人工智能选股周报，旨在评估多种机器学习模型在多因子选股中的表现。报告分析了Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归和神经网络等模型在不同指数内的选股效果，并提供了详细的回测绩效指标。
主要观点
- 人工智能模型在多因子选股中展现出一定优势，通过非线性特征挖掘，可获得高于基准的超额收益。
- 不同模型在不同指数池中表现差异较大，需根据具体市场环境选择适合的模型。
- 模型表现受到市场整体走势和因子选择的影响，需结合历史数据进行综合评估。
关键信息
指数表现
- 本周沪深300涨跌幅为 0.28%
- 本周中证500涨跌幅为 -0.77%
- 本周中证800涨跌幅为 0.02%
各模型表现
全A选股（沪深300行业市值中性）
- 本周表现最好的模型是 朴素贝叶斯，超额收益为 0.12%
- 最近一个月表现最好的模型是 朴素贝叶斯，超额收益为 1.09%
- 2018年以来表现最好的模型是 Stacking，超额收益为 8.21%
全A选股（中证500行业市值中性）
- 本周表现最好的模型是 逻辑回归，超额收益为 1.24%
- 最近一个月表现最好的模型是 朴素贝叶斯，超额收益为 1.09%
- 2018年以来表现最好的模型是 Stacking，超额收益为 8.21%
沪深300指数内选股
- 本周表现最好的模型是 SVM，超额收益为 0.24%
- 最近一个月表现最好的模型是 神经网络，超额收益为 0.67%
- 2018年以来表现最好的模型是 随机森林，超额收益为 6.58%
中证500指数内选股
- 本周表现最好的模型是 XGBoost，超额收益为 0.22%
- 最近一个月表现最好的模型是 朴素贝叶斯，超额收益为 1.12%
- 2018年以来表现最好的模型是 朴素贝叶斯，超额收益为 4.69%
中证800指数内选股
- 本周表现最好的模型是 随机森林，超额收益为 0.16%
- 最近一个月表现最好的模型是 随机森林，超额收益为 1.05%
- 2018年以来表现最好的模型是 随机森林，超额收益为 6.58%
模型RankIC表现
- 2018年以来RankIC均值最高的模型是 Stacking（全A选股），值为 0.119
- 2018年以来RankIC均值最高的模型是 随机森林（沪深300成分内选股），值为 0.109
- 2018年以来RankIC均值最高的模型是 朴素贝叶斯（中证500成分内选股），值为 0.091
- 2018年以来RankIC均值最高的模型是 神经网络（中证800成分内选股），值为 0.094
回测绩效指标（2011年以来）
| 模型名称 | 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 | 信息比率 | Calmar比率 |
|---|---|---|---|---|---|---|---|
| Stacking | 6.04% | 23.38% | 0.26 | 42.30% | 4.81% | 5.16% | 1.18 |
| SVM | 7.84% | 23.08% | 0.34 | 41.51% | 6.54% | 4.59% | 1.81 |
| 朴素贝叶斯 | 6.21% | 23.38% | 0.27 | 41.92% | 4.98% | 9.73% | 1.25 |
| 随机森林 | 7.74% | 22.89% | 0.34 | 40.75% | 6.39% | 5.14% | 1.80 |
| XGBoost | 7.61% | 23.19% | 0.33 | 40.85% | 6.33% | 4.89% | 1.76 |
| 逻辑回归 | 6.99% | 22.56% | 0.31 | 41.95% | 5.56% | 6.46% | 1.47 |
| 神经网络 | 7.47% | 22.70% | 0.33 | 39.98% | 6.07% | 4.86% | 1.59 |
模型RankIC详细指标（2011年以来）
| 模型名称 | RankIC均值 | IR比率 | RankIC大于0的比例 |
|---|---|---|---|
| Stacking | 0.133 | 1.585 | 94.45% |
| SVM | 0.122 | 1.685 | 93.33% |
| 朴素贝叶斯 | 0.113 | 0.854 | 87.78% |
| 随机森林 | 0.136 | 1.576 | 92.22% |
| XGBoost | 0.101 | 1.025 | 83.34% |
| 逻辑回归 | 0.109 | 1.302 | 93.33% |
| 神经网络 | 0.101 | 1.282 | 88.89% |
模型RankIC详细指标（2018年以来）
| 模型名称 | RankIC均值 | IR比率 | RankIC大于0的比例 |
|---|---|---|---|
| Stacking | 0.119 | 2.437 | 100.00% |
| SVM | 0.11 | 1.823 | 100.00% |
| 朴素贝叶斯 | 0.091 | 0.67 | 63.08% |
| 随机森林 | 0.102 | 1.054 | 87.69% |
| XGBoost | 0.102 | 0.649 | 75.38% |
| 逻辑回归 | 0.114 | 1.565 | 87.69% |
| 神经网络 | 0.108 | 0.859 | 87.69% |
风险提示
- 人工智能模型构建的选股策略基于历史经验，存在失效风险。
- 模型可解释性较低，使用时需谨慎。
模型应用流程
- 数据获取：股票池包括沪深300成分股、中证500成分股及全A股，剔除ST、停牌及上市3个月内的股票。
- 特征和标签提取：使用70个因子作为特征，计算下一个月个股超额收益作为标签。
- 特征预处理：
- 中位数去极值
- 缺失值填充为行业平均
- 行业市值中性化处理
- 标准化
- 训练集和交叉验证集划分：按90%训练、10%验证的比例划分。
- 模型训练与调参：使用交叉验证集AUC或平均AUC选择最优参数。
- 样本外测试：使用最优参数构建组合选股。
涉及因子描述
| 大类因子 | 具体因子 | 因子描述 |
|---|---|---|
| 估值 | EP | 净利润（TTM）/总市值 |
| 估值 | EPcut | 扣除非经常性损益后净利润（TTM）/总市值 |
| 估值 | BP | 净资产/总市值 |
| 估值 | SP | 营业收入（TTM）/总市值 |
| 估值 | NCFP | 净现金流（TTM）/总市值 |
| 估值 | OCFP | 经营性现金流（TTM）/总市值 |
| 估值 | DP | 近12个月现金红利（按除息日计）/总市值 |
| 成长 | Sales_G_q | 营业收入同比增长率 |
| 成长 | Profit_G_q | 净利润同比增长率 |
| 成长 | OCF_G_q | 经营性现金流同比增长率 |
| 成长 | ROE_G_q | ROE同比增长率 |
| 财务质量 | ROE_q | ROE（最新财报，YTD） |
| 财务质量 | ROE_ttm | ROE（最新财报，TTM） |
| 财务质量 | ROA_q | ROA（最新财报，YTD） |
| 财务质量 | ROA_ttm | ROA（最新财报，TTM） |
| 财务质量 | grossprofitmargin_q | 毛利率（最新财报，YTD） |
| 财务质量 | grossprofitmargin_ttm | 毛利率（最新财报，TTM） |
| 财务质量 | profitmargin_q | 扣除非经常性损益后净利润率（最新财报，YTD） |
| 财务质量 | profitmargin_ttm | 扣除非经常性损益后净利润率（最新财报，TTM） |
| 财务质量 | assetturnover_q | 资产周转率（最新财报，YTD） |
| 财务质量 | assetturnover_ttm | 资产周转率（最新财报，TTM） |
| 财务质量 | operationcashflowratio_q | 经营性现金流/净利润（最新财报，YTD） |
| 财务质量 | operationcashflowratio_ttm | 经营性现金流/净利润（最新财报，TTM） |
| 杠杆 | financial_leverage | 总资产/净资产 |
| 杠杆 | debtequity_ratio | 非流动负债/净资产 |
| 杠杆 | cash_ratio | 现金比率 |
| 杠杆 | current_ratio | 流动比率 |
| 市值 | ln_capital | 总市值取对数 |
| 动量反转 | HAlpha | 个股60个月收益与上证综指回归的截距项 |
| 动量反转 | return_Nm | 个股最近N个月内月收益率，N=1，3，6，12 |
| 动量反转 | wgt_return_Nm | 个股最近N个月内用每日换手率乘以每日收益率求算术平均值，N=1，3，6，12 |
| 动量反转 | exp_wgt_return_Nm | 个股最近N个月内用每日换手率乘以函数exp(-x_i/N/4)再乘以每日收益率求算术平均值，x_i为该日距离截面日的交易日的个数，N=1，3，6，12 |
| 波动率 | std_FF3factor_Nm | 特质波动率——个股最近N个月内用日频收益率对Fama French三因子回归的残差的标准差，N=1，3，6，12 |
| 波动率 | std_Nm | 个股最近N个月的日收益率序列标准差，N=1，3，6，12 |
| 股价 | ln_price | 股价取对数 |
| beta | beta | 个股60个月收益与上证综指回归的beta |
| 换手率 | turn_Nm | 个股最近N个月内日均换手率（剔除停牌、涨跌停的交易日），N=1，3，6，12 |
| 换手率 | bias_turn_Nm | 个股最近N个月内日均换手率除以最近2年内日均换手率（剔除停牌、涨跌停的交易日）再减去1，N=1，3，6，12 |
| 情绪 | rating_average | wind评级的平均值 |
| 情绪 | rating_change | wind评级（上调家数-下调家数）/总数 |
| 情绪 | rating_targetprice | wind一致目标价/现价-1 |
| 股东 | holder_avgpctchange | 户均持股比例的同比增长率 |
| 技术 | MACD | 经典技术指标（释义可参考百度百科），长周期取30日，短周期取10日，计算DEA均线的周期（中周期）取15日 |
| 技术 | DEA | 取10日，计算DEA均线的周期（中周期）取15日 |
| 技术 | DIF | 经典技术指标，周期取20日 |
| 技术 | RSI | 经典技术指标，周期取20日 |
| 技术 | PSY | 经典技术指标，周期取20日 |
| 技术 | BIAS | 经典技术指标，周期取20日 |
评级说明
-
行业评级：基于报告发布日后6个月内的行业涨跌幅相对沪深300指数。
- 增持：行业股票指数超越基准
- 中性：行业股票指数基本与基准持平
- 减持：行业股票指数明显弱于基准
-
公司评级：基于报告发布日后6个月内的公司涨跌幅相对沪深300指数。
- 买入：股价超越基准20%以上
- 增持：股价超越基准5%~20%
- 中性：股价相对基准波动在-5%~5%之间
- 减持：股价弱于基准5%~20%
- 卖出：股价弱于基准20%以上
联系信息
- 南京：南京市建邺区江东中路228号华泰证券广场1号楼，邮政编码：210019，电话：862583389999，传真：862583387521，电子邮件：ht-rd@htsc.com
- 深圳：深圳市福田区深南大道4011号香港中旅大厦24层，邮政编码：518048，电话：8675582493932，传真：8675582492062，电子邮件：ht-rd@htsc.com
- 北京：北京市西城区太平桥大街丰盛胡同28号太平洋保险大厦A座18层，邮政编码：100032，电话：861063211166，传真：861063211275，电子邮件：ht-rd@htsc.com
- 上海：上海市浦东新区东方路18号保利广场E栋23楼，邮政编码：200120，电话：862128972098，传真：862128972068，电子邮件：ht-rd@htsc.com
免责声明
- 本报告仅供华泰证券客户使用。
- 报告内容基于已公开信息编制，不保证其准确性与完整性。
- 报告观点和建议仅供参考，不构成投资建议。
- 报告内容可能在不通知的情况下更新，投资者需自行关注最新信息。
- 报告版权为华泰证券所有，未经许可不得翻版、复制、发表、引用或再次分发。
展开完整摘要
试读结束，高清完整版pdf/doc/ppt,请点下载
