20230525-华创证券-_专题报告_基于排序学习的行业轮动模型_23页_1mb

证券研究报告摘要

一、排序学习与量化投资

• 排序学习（Learning-to-Rank）：一种监督学习方法，通过训练大量特征构建排序模型，用于解决实际排序问题。在文档检索、推荐系统等领域广泛应用。
• 在量化投资中的应用：通过金融指标（如行业收益率）构建排序模型，预测行业相对优劣，为投资者提供智能化决策工具。重点关注行业间的相对排序而非绝对排名。

二、LGBMRanker行业轮动模型

• 模型设计：
  • 使用LGBMRanker模型对中信一级行业进行排序，标签基于未来行业涨跌幅分组（1组到6组，6组最优）。
  • 特征包括行业历史价量数据的分位数指标、涨跌幅及波动、超额价量等。
• 训练方法：采用滚动训练法，每周更新训练集和验证集，优化超参数。
• 回测结果：
  • 年化绝对收益率1753%，超额年化981%，夏普比率0.59，信息比率0.921。
  • 相对基准：周度胜率53.65%，月度胜率60.62%。

三、风险提示

• 所有统计结果和模型基于历史数据，未来趋势不确定。

四、投资逻辑要点

• 排序学习通过学习行业间相对优劣，实现动态资产配置。
• 模型在市场分化明显时（如2023年一季度）表现尤为突出。

五、模型优势

• 提供行业轮动信号，捕捉长期超额收益。
• 高频回测验证策略有效性及稳定性。