20181014-华泰证券-人工智能选股周报_今年中证800随机森林超额7.75__13页_1mb

金工研究/量化投资周报总结

核心内容概述

本报告为华泰证券金工团队发布的2018年10月13日人工智能选股周报，回顾了多个机器学习模型在不同股票池中的表现，包括全A选股和沪深300、中证500、中证800成分股内选股。报告重点分析了各模型在本周、最近一个月以及2018年以来的超额收益表现，同时评估了RankIC均值等模型性能指标。

主要观点与关键信息

1. 模型表现

本周表现

• 沪深300全A选股：SVM表现最好，超额收益为0.56%。
• 中证500全A选股：逻辑回归表现最好，超额收益为1.55%。
• 沪深300成分内选股：神经网络表现最好，超额收益为0.26%。
• 中证500成分内选股：朴素贝叶斯表现最好，超额收益为0.79%。
• 中证800成分内选股：随机森林表现最好，超额收益为-0.01%。

最近一个月表现

• 沪深300全A选股：逻辑回归表现最好，超额收益为2.64%。
• 中证500全A选股：Stacking表现最好，超额收益为15.54%。
• 沪深300成分内选股：逻辑回归表现最好，超额收益为3.73%。
• 中证500成分内选股：逻辑回归表现最好，超额收益为9.42%。
• 中证800成分内选股：朴素贝叶斯表现最好，超额收益为1.71%。

2018年以来表现

• 沪深300全A选股：随机森林超额收益最高，为5.61%。
• 中证500全A选股：Stacking超额收益最高，为7.31%。
• 沪深300成分内选股：随机森林超额收益最高，为4.72%。
• 中证500成分内选股：朴素贝叶斯超额收益最高，为5.29%。
• 中证800成分内选股：随机森林超额收益最高，为7.75%。

2. RankIC表现

• 全A选股：朴素贝叶斯RankIC均值最高，为0.110。
• 沪深300成分内选股：随机森林RankIC均值最高，为0.099。
• 中证500成分内选股：朴素贝叶斯RankIC均值最高，为0.1。
• 中证800成分内选股：朴素贝叶斯RankIC均值最高，为0.088。

3. 模型类型

本报告跟踪了7种模型：

• Stacking
• SVM
• 朴素贝叶斯
• 随机森林
• XGBoost
• 逻辑回归
• 神经网络

4. 回测条件

• 股票池处理：剔除ST、停牌、上市3个月以内的股票。
• 特征提取：使用70个因子，包括估值、成长、动量翻转、波动率、换手率、情绪、技术、市值等。
• 特征预处理：
  • 中位数去极值处理。
  • 缺失值填充为行业平均值。
  • 行业市值中性化处理。
  • 标准化处理。
• 交易费用：单边千分之二。
• 调仓频率：月频调仓。

5. 选股模型构建方法

• 全A选股：在全部A股中选股，相对于沪深300或中证500进行行业中性和市值中性。
• 成分内选股：在特定指数成分股中选股，相对于该指数进行行业中性和市值中性。

6. 模型性能评估

• 年化收益率：不同模型在不同股票池中的年化收益率表现各异。
• 年化波动率：所有模型的波动率均在22%~26%之间。
• 夏普比率：逻辑回归和XGBoost表现较好，夏普比率分别为0.34和0.61。
• 最大回撤：多数模型的最大回撤在38%~46%之间。
• 年化超额收益率：逻辑回归和XGBoost表现突出，分别为7.10%和7.02%。
• 信息比率：逻辑回归和XGBoost的信息比率分别为5.36%和4.39%。
• Calmar比率：XGBoost和逻辑回归的Calmar比率较高，分别为2.28和2.2。

7. 模型性能指标

• RankIC均值：各模型在2011年以来和2018年以来的RankIC均值差异较大，其中朴素贝叶斯在多个股票池中表现最佳。
• IR比率：逻辑回归和XGBoost的IR比率较高，分别为1.83和1.515。
• RankIC大于0的比例：逻辑回归在多个股票池中表现优异，比例达96.74%。

8. 回测方法

• 分类问题：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。
• 回归问题：直接使用样本数据进行训练。
• 调参方法：使用交叉验证集的AUC或平均AUC选择最优参数。

9. 因子池

报告中涉及的因子包括：

• 估值：如EP、BP、SP等。
• 成长：如Sales_G_q、Profit_G_q等。
• 财务质量：如ROE_q、ROA_q等。
• 杠杆：如financial_leverage、debtequity_ratio等。
• 市值：如ln_capital。
• 动量反转：如HAlpha、return_Nm等。
• 波动率：如std_FF3factor_Nm、std_Nm等。
• 股价：如ln_price。
• beta：如beta。
• 换手率：如turn_Nm、bias_turn_Nm。
• 情绪：如rating_average、rating_change等。
• 技术指标：如MACD、RSI、PSY、BIAS等。

10. 风险提示

• 人工智能模型构建的选股策略是基于历史经验，存在失效的风险。
• 模型可解释性较低，使用需谨慎。

结论

华泰人工智能选股模型在不同股票池中表现各异，其中朴素贝叶斯在多个池中RankIC均值最高，逻辑回归在多个池中超额收益表现最佳。模型的性能评估指标包括年化收益率、波动率、夏普比率、最大回撤、超额收益率、信息比率和Calmar比率等。报告强调了模型的可解释性不足和潜在失效风险，提醒投资者谨慎使用。