20180916-华泰证券-人工智能选股周报_今年中证800随机森林超额6.77__13页_639kb

金工研究/量化投资周报总结

核心内容

本报告为华泰证券金工研究团队发布的2018年9月16日人工智能选股周报，分析了多种机器学习模型在不同指数下的多因子选股表现，并对模型的回测绩效进行了详细评估。报告旨在通过机器学习算法挖掘非线性特征，以期获得更高的超额收益。

主要观点

• 模型表现：报告跟踪了Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归、神经网络等7种模型在不同股票池中的表现。
• 超额收益：各模型在不同指数下的超额收益表现不一，其中随机森林在中证800指数内表现最好，获得6.77%的超额收益。
• RankIC指标：RankIC（秩相关系数）用于衡量模型的预测能力，2018年以来RankIC均值最高的模型为逻辑回归（0.114）、随机森林（0.104）、朴素贝叶斯（0.093）和神经网络（0.083）。
• 回测绩效：各模型在2011年以来的回测绩效表现差异较大，如逻辑回归在全A选股中年化超额收益率为5.62%，在中证500指数内选股中为9.87%。
• 模型选择：根据回测结果，不同指数下的最佳模型有所差异，例如在沪深300指数内选股中，XGBoost表现最佳；在中证500指数内选股中，逻辑回归表现最佳。
• 风险提示：人工智能模型构建的选股策略存在失效的可能，且模型可解释性较低，使用时需谨慎。

关键信息

指数表现

• 本周指数涨跌幅：
  • 沪深300：-1.08%
  • 中证500：-2.57%
  • 中证800：-1.44%

各模型表现

全A选股（沪深300行业市值中性）

• 本周超额收益最高：朴素贝叶斯（0.33%）
• 最近一月超额收益最高：神经网络（1.07%）
• 2018年以来超额收益最高：随机森林（3.67%）
• 2018年以来RankIC均值最高：逻辑回归（0.114）

全A选股（中证500行业市值中性）

• 本周超额收益最高：朴素贝叶斯（2.17%）
• 最近一月超额收益最高：朴素贝叶斯（3.57%）
• 2018年以来超额收益最高：Stacking（7.32%）
• 2018年以来RankIC均值最高：逻辑回归（0.114）

沪深300指数内选股

• 本周超额收益最高：XGBoost（0.41%）
• 最近一月超额收益最高：神经网络（1.07%）
• 2018年以来超额收益最高：神经网络（4.25%）
• 2018年以来RankIC均值最高：随机森林（0.104）

中证500指数内选股

• 本周超额收益最高：朴素贝叶斯（1.35%）
• 最近一月超额收益最高：朴素贝叶斯（2.06%）
• 2018年以来超额收益最高：朴素贝叶斯（5.24%）
• 2018年以来RankIC均值最高：朴素贝叶斯（0.093）

中证800指数内选股

• 本周超额收益最高：朴素贝叶斯（0.95%）
• 最近一月超额收益最高：随机森林（1.30%）
• 2018年以来超额收益最高：随机森林（6.77%）
• 2018年以来RankIC均值最高：神经网络（0.083）

回测条件

• 股票池处理：剔除ST、停牌、上市3个月内的股票。
• 特征提取：使用70个因子（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
  • 缺失值填充（行业平均）
  • 行业市值中性化
  • 标准化处理
• 交易费用：单边千分之二
• 调仓频率：月频调仓

模型流程

1. 数据获取：从沪深300、中证500和全A股中获取数据。
2. 特征和标签提取：每个自然月的最后一个交易日计算70个因子暴露度作为特征，下一整个自然月的个股超额收益作为标签。
3. 特征预处理：包括去极值、缺失值填充、行业中性化和标准化。
4. 训练集与交叉验证集合成：按90%和10%的比例划分训练集和交叉验证集。
5. 样本内训练：使用训练集训练模型。
6. 交叉验证调参：选择交叉验证集中AUC或平均AUC最高的参数作为最优参数。
7. 样本外测试：使用最优参数对样本外数据进行预测，构建组合选股。

因子池

• 估值：EP、EPcut、BP、SP、NCFP、OCFP、DP、G/PE
• 成长：Sales_G_q、Profit_G_q、OCF_G_q、ROE_G_q
• 财务质量：ROE_q、ROE_ttm、ROA_q、ROA_ttm、grossprofitmargin_q、grossprofitmargin_ttm、profitmargin_q、profitmargin_ttm、assetturnover_q、assetturnover_ttm、operationcashflowratio_q、operationcashflowratio_ttm
• 杠杆：financial_leverage、debt equity ratio、cash ratio、current ratio
• 市值：ln_capital
• 动量反转：HAlpha、return_Nm、wgt_return_Nm、exp_wgt_return_Nm
• 波动率：std_FF3factor_Nm、std_Nm
• 股价：ln_price
• beta：beta
• 换手率：turn_Nm、bias_turn_Nm
• 情绪：rating_average、rating_change、rating_targetprice
• 股东：holder_avgpctchange
• 技术：MACD、DEA、DIF、RSI、PSY、BIAS

风险提示

• 人工智能模型构建的选股策略基于历史经验，可能存在失效的风险。
• 模型的可解释性较低，使用时需谨慎。

免责声明

• 本报告仅供华泰证券客户使用，不构成买卖建议。
• 报告基于公开信息编制，但不保证其准确性或完整性。
• 报告所载意见、评估及预测可能随时间变化，不构成对客户私人投资建议。
• 投资者应自行判断并承担相应风险。

评级说明

• 行业评级：基于报告发布日后6个月内行业涨跌幅与沪深300指数的对比。
• 公司评级：基于报告发布日后6个月内公司涨跌幅与沪深300指数的对比。

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

• 深圳：深圳市福田区深南大道4011号香港中旅大厦24层

• 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

• 上海：上海市浦东新区东方路18号保利广场E栋23楼

• 电话：862583389999（南京）、8675582493932（深圳）、861063211166（北京）、862128972098（上海）

• 传真：862583387521（南京）、8675582492062（深圳）、861063211275（北京）、862128972068（上海）

• 电子邮件：ht-rd@htsc.com

总结

本报告全面分析了多种机器学习模型在不同指数下的表现，提供了详细的超额收益和RankIC指标。通过对比不同模型在不同股票池中的表现，可以得出不同模型在不同市场环境下的适用性。同时，报告强调了人工智能模型的局限性，并提醒投资者在使用时需谨慎。