20180630-华泰证券-人工智能选股周报_今年以来全部模型跑赢基准_13页_1mb

金工研究/量化投资周报总结（2018年06月30日）

核心内容

本报告总结了华泰人工智能选股模型在2018年6月30日的周表现，以及2018年以来和2011年以来的模型表现。报告涵盖了多个机器学习模型在不同股票池和基准下的超额收益、RankIC均值等关键指标。

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7种模型在多因子选股中的表现。
• 股票池与基准：模型在沪深300、中证500、中证800以及全A股中进行选股，且采用行业中性和市值中性策略。
• 市场表现：本周沪深300指数下跌2.71%，中证500上涨1.12%，中证800下跌1.78%，表明小盘指数优于大盘指数。
• 超额收益：在全A选股（沪深300基准）和沪深300成分内选股中，人工智能模型表现优于基准；而在全A选股（中证500基准）和中证500成分内选股中，表现相对较差。
• RankIC均值：RankIC用于衡量模型预测能力，2018年以来，各股票池中表现最好的模型分别是逻辑回归、随机森林、朴素贝叶斯和SVM。

关键信息

本周表现

最近一个月表现

2018年以来表现

RankIC均值

回测条件

• 股票池处理：剔除ST、停牌、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。
• 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。
• 交易费用：双边交易费用为0.4%。

模型构建方法

• 全A选股：在全部A股中选股，组合构建时相对于沪深300或中证500指数进行行业中性和市值中性。
• 指数内选股：在沪深300、中证500、中证800成分股中选股，组合构建时相对于相应指数进行行业中性和市值中性。
• 模型训练与测试：使用90%的样本作为训练集，10%作为交叉验证集，选择AUC（或平均AUC）最高的参数作为最优参数。

风险提示

• 通过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。
• 投资者应充分考虑自身特定状况，并完整理解和使用报告内容，不应视报告为做出投资决策的唯一因素。

模型因子池

附注

• 报告资料来源为Wind和华泰证券研究所。
• 本报告仅供华泰证券客户使用，不构成投资建议。
• 报告中所含信息可能在不发出通知的情形下做出修改，投资者应自行关注相应的更新或修改。