20181223-华泰证券-人工智能选股周报_最近一个月绝大多数模型跑赢基准_13页_641kb
报告摘要
金工研究/量化投资周报总结
核心内容
本报告为2018年12月23日发布的华泰金工人工智能选股周报，总结了多类机器学习模型在不同股票池中的表现，并分析了其在不同时间周期内的超额收益及风险指标。报告涉及多个模型在全A股、沪深300、中证500和中证800指数成分股中的选股表现。
主要观点
- 模型表现总体良好：最近一个月，绝大多数模型跑赢基准，显示出机器学习在多因子选股中的有效性。
- 朴素贝叶斯表现突出：在多个股票池中，朴素贝叶斯模型在超额收益和RankIC均值上表现最佳，尤其在2018年以来的RankIC均值中表现优异。
- 小市值指数表现优于大盘指数：中证500指数表现优于沪深300和中证800指数，表明小市值股票可能更具投资价值。
- Stacking模型表现稳定：Stacking模型在全A选股中表现稳定，但尚未应用于指数内选股，未来可能扩展。
- 模型可解释性低：人工智能模型存在可解释性低的问题，使用时需谨慎。
关键信息
1. 模型分类与股票池
- 全A选股：涵盖全部A股，进行行业中性和市值中性处理。
- 指数内选股：在沪深300、中证500和中证800成分股中选股，同样进行行业中性和市值中性处理。
2. 模型表现
本周表现
| 模型 | 超额收益 | 月胜率 |
|---|---|---|
| 朴素贝叶斯（沪深300） | 1.22% | 68.09% |
| 朴素贝叶斯（中证500） | 0.36% | 81.94% |
| XGBoost（中证800） | 1.56% | 70.21% |
最近一个月表现
| 模型 | 超额收益 | 月胜率 |
|---|---|---|
| 朴素贝叶斯（沪深300） | 1.81% | 74.47% |
| 朴素贝叶斯（中证500） | 2.13% | 120.36% |
| 逻辑回归（中证500） | 2.49% | 136.97% |
2018年以来表现
| 模型 | 超额收益 | 月胜率 |
|---|---|---|
| Stacking（全A） | 10.09% | 71.28% |
| XGBoost（沪深300） | 5.62% | 71.28% |
| 朴素贝叶斯（沪深300） | 5.62% | 65.01% |
| 朴素贝叶斯（中证500） | 8.27% | 120.58% |
| 朴素贝叶斯（中证800） | 8.27% | 120.58% |
3. RankIC均值表现
- 全A选股：2018年以来RankIC均值最高的为朴素贝叶斯（0.115）。
- 沪深300成分内选股：2018年以来RankIC均值最高的为随机森林（0.079）。
- 中证500成分内选股：2018年以来RankIC均值最高的为朴素贝叶斯（0.096）。
- 中证800成分内选股：2018年以来RankIC均值最高的为朴素贝叶斯（0.083）。
4. 回测条件
- 股票池处理：剔除ST、停牌及上市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。
- 数据预处理：
- 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。
- 回测方法：自2018年6月30日起采用行业中性+市值中性的组合构建方法。
5. 模型训练与测试流程
- 训练集与交叉验证集划分：按90%和10%比例划分。
- 样本内训练：使用训练集训练模型。
- 交叉验证调参：根据交叉验证集AUC选择最优参数。
- 样本外测试：使用最优参数进行预测，构建组合选股。
6. 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 | debt equity 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，长周期30日，短周期10日，中周期15日 |
| 技术 | DEA | 10日，中周期15日 |
| 技术 | DIF | 20日 |
| 技术 | RSI | 20日 |
| 技术 | PSY | 20日 |
| 技术 | BIAS | 20日 |
7. 风险提示
- 模型失效风险：人工智能模型构建的选股策略是历史经验的总结，存在失效的可能。
- 可解释性低：模型可解释程度较低，使用时需谨慎。
总结
本报告全面展示了华泰金工人工智能选股模型在不同股票池和时间周期内的表现。多数模型在最近一个月内跑赢基准，朴素贝叶斯在多个池中表现优异，特别是在RankIC均值和超额收益方面。报告还提供了详细的模型训练与测试流程，以及因子池的说明。使用这些模型时，需注意其历史经验的局限性和可解释性较低的问题，以确保投资决策的合理性和风险控制。
展开完整摘要
试读结束，高清完整版pdf/doc/ppt,请点下载
