20180819-华泰证券-人工智能选股周报_今年Stacking超额收益为7.69__13页_1mb
报告摘要
金工研究/量化投资周报总结
核心内容
本周为2018年08月18日发布的金工研究/量化投资周报，主要内容涉及人工智能选股模型在不同股票池中的表现评估，以及机器学习模型在多因子选股中的应用流程。报告由华泰证券金工团队发布，涵盖多个模型的回测绩效指标，包括超额收益、RankIC均值、夏普比率、最大回撤等。
主要观点
- 人工智能模型在多因子选股中展现出一定优势，但存在失效的可能。
- 模型的可解释性较低，使用需谨慎。
- 本报告中跟踪了Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归和神经网络7种模型。
- 模型表现与股票池选择密切相关，不同模型在不同股票池中表现各异。
关键信息
本周市场表现
- 沪深300指数本周涨跌幅为-5.15%。
- 中证500指数本周涨跌幅为-4.52%。
- 中证800指数本周涨跌幅为-4.99%。
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0.75%。
- 最近一个月表现最好的模型是朴素贝叶斯，超额收益为2.06%。
- 2018年以来表现最好的模型是Stacking，超额收益为7.69%。
全A选股（中证500行业市值中性）
- 本周表现最好的模型是XGBoost，超额收益为0.35%。
- 最近一个月表现最好的模型是朴素贝叶斯，超额收益为2.06%。
- 2018年以来表现最好的模型是Stacking，超额收益为7.69%。
沪深300指数内选股
- 本周表现最好的模型是神经网络，超额收益为0.89%。
- 最近一个月表现最好的模型是神经网络，超额收益为2.06%。
- 2018年以来表现最好的模型是XGBoost，超额收益为4.66%。
中证500指数内选股
- 本周表现最好的模型是随机森林，超额收益为1.06%。
- 最近一个月表现最好的模型是朴素贝叶斯，超额收益为2.05%。
- 2018年以来表现最好的模型是朴素贝叶斯，超额收益为4.15%。
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0.87%。
- 最近一个月表现最好的模型是随机森林，超额收益为2.49%。
- 2018年以来表现最好的模型是随机森林，超额收益为6.44%。
模型RankIC均值
- 全A选股：Stacking（0.119）。
- 沪深300成分内选股：随机森林（0.109）。
- 中证500成分内选股：朴素贝叶斯（0.091）。
- 中证800成分内选股：神经网络（0.094）。
回测绩效指标
| 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 | 月胜率 | 换手率 |
|---|---|---|---|---|---|---|---|---|---|
| Stacking | 5.97% | 23.40% | 0.25 | 42.30% | 5.05% | 5.16% | 1.24 | 0.98 | 60.00% |
| SVM | 7.73% | 23.10% | 0.33 | 41.51% | 6.74% | 4.59% | 1.87 | 1.47 | 71.11% |
| 朴素贝叶斯 | 6.00% | 23.42% | 0.26 | 41.92% | 5.09% | 9.73% | 1.28 | 0.52 | 61.11% |
| 随机森林 | 7.54% | 22.91% | 0.33 | 40.75% | 6.51% | 5.14% | 1.83 | 1.27 | 70.00% |
| XGBoost | 7.47% | 23.21% | 0.32 | 40.85% | 6.51% | 4.89% | 1.81 | 1.33 | 65.56% |
| 逻辑回归 | 6.83% | 22.58% | 0.30 | 41.95% | 5.72% | 6.46% | 1.51 | 0.89 | 62.22% |
| 神经网络 | 7.29% | 22.73% | 0.32 | 39.98% | 6.21% | 4.86% | 1.63 | 1.28 | 65.56% |
2011年以来RankIC详细指标
| 模型名称 | RankIC均值 | RankIC标准差 | IR比率 | RankIC大于0的比例 |
|---|---|---|---|---|
| Stacking | 0.133 | 0.084 | 1.585 | 94.45% |
| SVM | 0.122 | 0.073 | 1.685 | 93.33% |
| 朴素贝叶斯 | 0.113 | 0.111 | 1.022 | 83.34% |
| 随机森林 | 0.136 | 0.086 | 1.576 | 92.22% |
| XGBoost | 0.141 | 0.090 | 1.534 | 91.11% |
| 逻辑回归 | 0.123 | 0.066 | 1.853 | 96.67% |
| 神经网络 | 0.129 | 0.079 | 1.282 | 88.89% |
机器学习模型应用流程
- 数据获取：股票池为沪深300、中证500、全A股，剔除ST、停牌、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（行业平均）
- 行业市值中性化
- 标准化
- 训练集与交叉验证集划分：
- 分类问题：正例为收益前30%，负例为收益后30%
- 比例：90%训练集，10%交叉验证集
- 样本内训练：使用训练集训练模型。
- 交叉验证调参：选取交叉验证集AUC（或平均AUC）最高的一组参数作为最优参数。
- 样本外测试：使用最优参数对样本外数据进行测试，构建组合选股。
因子池
| 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 |
| 估值 | G/PE | 净利润（TTM）同比增长率/PE_TTM |
| 成长 | Sales_G_q | 营业收入（最新财报，YTD）同比增长率 |
| 成长 | Profit_G_q | 净利润（最新财报，YTD）同比增长率 |
| 成长 | OCF_G_q | 经营性现金流（最新财报，YTD）同比增长率 |
| 成长 | ROE_G_q | ROE（最新财报，YTD）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 |
风险提示
- 人工智能模型构建选股策略是历史经验的总结，存在失效的可能。
- 模型可解释程度较低，使用需谨慎。
免责声明
- 本报告仅供华泰证券客户使用。
- 报告基于公开信息编制，不保证其准确性及完整性。
- 报告所载观点、评估及预测仅反映发布当日的观点和判断。
- 报告所指证券或投资标的的价格、价值及投资收入可能波动。
- 报告内容可能在不发出通知的情形下进行修改，投资者应自行关注更新或修改。
- 报告内容仅供参考，不构成买卖出价或征价。
- 报告不考虑个别投资者的具体投资目的、财务状况及特定需求。
- 报告内容不应视为做出投资决策的唯一因素。
- 报告内容使用可能引发的后果，本公司及作者不承担任何法律责任。
- 本公司及作者与报告所指证券或投资标的不存在法律禁止的利害关系。
- 本公司及关联机构可能持有报告中提到的公司所发行的证券头寸并进行交易，也可能提供相关服务。
- 报告版权仅为本公司所有，未经许可不得翻版、复制、发表、引用或再次分发他人。
评级说明
行业评级体系
- 6个月内的行业涨跌幅相对同期的沪深300指数涨跌幅为基准。
- 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。
公司评级体系
- 6个月内的公司涨跌幅相对同期的沪深300指数涨跌幅为基准。
- 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
- 华泰证券研究所
- 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
其他信息
- 本报告自2018年6月30日起开始使用行业中性+市值中性的组合构建方法进行回测。
- 交易费用为单边千分之二。
- 报告资料来源为Wind及华泰证券研究所。
- 本报告独家收集于www.baogaoba.xyz。
展开完整摘要
试读结束，高清完整版pdf/doc/ppt,请点下载
