20181228-渤海证券-多因子模型研究系列之六_使用Thompson_Sampling算法的策略混合模型_21页_1mb

使用 Thompson Sampling 算法的策略混合模型总结

核心内容

本报告探讨了使用 Thompson Sampling 算法改进多因子模型以适应市场风格转变的策略。传统多因子模型依赖历史数据预测未来收益，但在市场风格快速变化时可能失效。Thompson Sampling 作为在线学习算法，能够动态调整投资组合权重，从而更好地应对市场风格轮动。

主要观点

• Thompson Sampling 的适应性：Thompson Sampling 在市场风格转换时表现出更好的适应性，尤其在2017年市值因子失效的背景下，仍能保持持续盈利。
• 因子选择与模型构建：选取了估值、盈利、成长、动量、反转、波动率、流动性、市值八大类因子构建多因子模型，通过分层抽样剔除行业影响，专注于市值因子表现。
• 策略对比：对比了买入持有（BAH）、定期调整资产比例（CRP）、Greedy、Epsilon-Greedy 和 Thompson Sampling 五种策略，Thompson Sampling 在各项指标中表现最优。
• 周期性资产投资优势：Thompson Sampling 更适合周期性资产投资，且在股票与债券混合模型中表现突出，能有效应对资产轮动。
• 市场判断结合：建议根据市场判断选择策略，如震荡行情使用 Thompson Sampling 平滑风险，趋势行情使用动量策略以获取短期收益。

关键信息

回测结果概览

沪深300回测结果

• 累计收益：Thompson Sampling 为81.10%，高于其他策略。
• 年化收益：Thompson Sampling 为7.02%，为最高。
• 波动率：Thompson Sampling 为24.72%，相对较低。
• 最大回撤：Thompson Sampling 为32.04%，表现稳定。
• 夏普比率：Thompson Sampling 为0.28，优于其他策略。
• 信息比率：Thompson Sampling 为1.41，为最高。
• 胜率：Thompson Sampling 为66.67%，为最佳。

中证500回测结果

• 累计收益：Thompson Sampling 为178.80%，表现突出。
• 年化收益：Thompson Sampling 为12.43%，为最高。
• 波动率：Thompson Sampling 为27.16%，相对较低。
• 最大回撤：Thompson Sampling 为36.16%，优于其他策略。
• 夏普比率：Thompson Sampling 为0.46，为最佳。
• 信息比率：Thompson Sampling 为2.24，为最高。
• 胜率：Thompson Sampling 为75.24%，表现稳定。

股债混合模型回测结果

• 累计收益：Thompson Sampling 为437.30%，显著高于其他策略。
• 年化收益：Thompson Sampling 为15.73%，为最高。
• 波动率：Thompson Sampling 为15.09%，表现稳定。
• 最大回撤：Thompson Sampling 为32.13%，优于其他策略。
• 夏普比率：Thompson Sampling 为1.0381，为最佳。
• 信息比率：Thompson Sampling 为3.0044，为最高。
• 胜率：Thompson Sampling 为53.24%，优于其他策略。

结构与方法

模型建立

• 因子选择：使用估值、盈利、成长、动量、反转、波动率、流动性、市值八大类因子。
• 分层抽样：将沪深300和中证500成分股按行业划分，每组中选取预期收益最高的两只股票，均分行业权重。
• 算法应用：将 Thompson Sampling 算法应用于投资组合权重分配，通过 Beta 分布调整参数，以实现最优比例。

算法对比

• Greedy Algorithm：选择历史收益最高的组合，但缺乏探索，容易错过最优解。
• Epsilon-Greedy Algorithm：在选择时有一定概率随机探索，但权重固定，适应性有限。
• Thompson Sampling Algorithm：通过 Beta 分布参数动态调整，表现出更强的适应性和自我学习能力。

风险提示

• 市场环境变化可能导致模型失效。
• 未来研究方向包括探索更多在线学习模型及其在不同领域的应用。

附录

• 参考文献：包括多篇关于在线学习和多因子模型的研究论文。
• 投资评级说明：提供公司与行业评级标准，以帮助投资者评估模型表现。
• 渤海证券研究所信息：提供研究所联系方式及研究团队成员。