机器学习系列九_基于风格因子的非线性分域训练研究_34页_2mb

报告摘要

本报告由兴业证券经济与金融研究院发布，旨在介绍一种基于风格因子的非线性股票分域训练模型，结合XGB对抗训练方法，以提升收益率预测模型的综合表现。该模型通过分域训练方式，将全市场股票划分为具有代表性和同质性的子域，从而实现对不同风格因子的精准建模，增强策略的稳健性和收益能力。

模型目标：提升模型的综合表现，特别是夏普比率和因子有效性，通过分域训练实现对市场风格的精准捕捉与对冲。
分域训练方法：以风格因子为基础，利用面板树模型进行非线性分域，并通过全域特征标准化、域内标签标准化及分域训练合并的方式优化模型。
分域训练优势：
- 风格相关性降低：通过分域训练，有效减少模型对特定风格因子的暴露。
- 提升预测效果：在不同股票池内，分域训练因子表现出更高的Rank IC值和更稳定的IC IR。
- 风险控制增强：分域训练有助于降低最大回撤，提升收益风险比。
模型优化方向：从全集优化到局部集优化，通过筛选代表性强、同质性高的股票簇，进一步提升模型的精准度和稳健性。

面板树模型：以最大化节点组合夏普比率为目标，具有“全局经济”分裂逻辑，区别于传统的“局部统计”决策树模型。
分域训练框架：
- 数据准备：采用年度重新训练方式，使用2009年至训练集时间末端的月频数据。
- 特征预处理：使用稳健ZScore标准化，结合Barra风格因子进行对抗训练。
- 训练流程：包括分域、特征标准化、标签标准化、模型合并等步骤。
分域训练因子：在全市场周度测试中，Rank IC均值约为0.122，优于基准模型。

测试时间窗口：2015年初至2025年10月底。
分组方式：
- 全市场采用10分组测试。
- 沪深300和中证500采用5分组测试。
测试结果：
- 全市场：
  - domainXGB：年化超额收益约12.8%，收益风险比为2.14，最大回撤为5.6%。
  - repDomainXGB：年化超额收益提升至约24.1%，收益风险比提升至4.02，最大回撤为6.2%。
- 沪深300：
  - domainXGB：年化超额收益约12.8%，收益风险比为2.14，最大回撤为5.6%。
  - repDomainXGB：年化超额收益提升至约17.5%，收益风险比为2.71，最大回撤为6.8%。
- 中证1000：
  - domainXGB：年化超额收益约24.1%，收益风险比为4.02，最大回撤为6.2%。
  - repDomainXGB：年化超额收益提升至约24.1%，收益风险比为4.02，最大回撤为6.2%。

改造步骤：
1. 模型预热阶段：前10轮不进行优化，保持分域平衡。
2. 筛选优化阶段：从第11轮开始，筛选权重较小的叶子，优化模型结构。
改造效果：
- 股票参与数量：测试集每期参与计算的股票数目减少，波动性下降。
- 绩效提升：改造后模型的夏普比率提升至1.58，收益回撤比提升至2.62。
- 分域训练模型：通过分域训练与合并，进一步提升模型表现。

Rank IC测试：
- 全市场：改造分域因子Rank IC均值为0.123，IC IR为1.004。
- 沪深300：改造分域因子Rank IC均值为0.077，IC IR为0.510。
- 中证500：改造分域因子Rank IC均值为0.094，IC IR为0.709。
- 中证1000：改造分域因子Rank IC均值为0.114，IC IR为0.886。
分位数组合测试：
- 全市场：Top组年化超额收益约35.26%，Bottom组年化超额收益约-43.75%。
- 沪深300：Top组年化超额收益约9.03%，Bottom组年化超额收益约-15.16%。
- 中证500：Top组年化超额收益约15.26%，Bottom组年化超额收益约-19.91%。
- 中证1000：Top组年化超额收益约26.96%，Bottom组年化超额收益约-39.96%。

指数增强测试：
- 沪深300：改造分域因子的年化超额收益率约为12.8%，收益风险比为2.14。
- 中证500：改造分域因子的年化超额收益率约为17.5%，收益风险比为2.71。
- 中证1000：改造分域因子的年化超额收益率约为24.1%，收益风险比为4.02。
模型稳定性：通过分域训练，模型在不同市场环境下表现出更强的稳定性与适应性。