20180526-华泰证券-人工智能选股周报_本周大部分策略跑赢基准_17页_1mb

华泰人工智能选股策略周报总结（2018年05月26日）

核心内容概述

本报告总结了华泰金工人工智能选股策略在2018年5月26日当周的表现，以及各模型在不同时间段的综合表现。报告展示了7种机器学习模型（Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归、神经网络）在不同选股策略下的收益情况，包括全A选股（非行业中性）、全A选股（沪深300行业中性）、全A选股（中证500行业中性）、沪深300指数内选股和中证500指数内选股。此外，还提供了模型构建与选股流程的说明，以及风险提示和免责申明。

主要观点与关键信息

1. 本周策略表现

• 全A选股（非行业中性）：6个AI组合跑赢基准，神经网络表现最佳，本周绝对收益为0.29%，超额收益1.58%。
• 全A选股（沪深300行业中性）：7个AI组合跑赢基准，神经网络超额收益最高，为1.85%。
• 全A选股（中证500行业中性）：6个AI组合跑赢基准，神经网络超额收益最高，为1.82%。
• 沪深300指数内选股：4个AI组合跑赢基准，逻辑回归超额收益最高，为0.63%。
• 中证500指数内选股：5个AI组合跑赢基准，XGBoost超额收益最高，为0.61%。

2. 不同时间段超额收益表现

• 最近三月：
  • 全A选股（非行业中性）：SVM超额收益最高，为11.11%。
  • 全A选股（沪深300行业中性）：SVM超额收益最高，为6.96%。
  • 全A选股（中证500行业中性）：Stacking超额收益最高，为7.60%。
  • 沪深300指数内选股：逻辑回归超额收益最高，为1.57%。
  • 中证500指数内选股：SVM超额收益最高，为1.70%。
• 最近一年：
  • 全A选股（非行业中性）：随机森林超额收益最高，为22.36%。
  • 全A选股（沪深300行业中性）：朴素贝叶斯超额收益最高，为-0.17%。
  • 全A选股（中证500行业中性）：随机森林超额收益最高，为11.19%。
  • 沪深300指数内选股：逻辑回归超额收益最高，为5.76%。
  • 中证500指数内选股：SVM超额收益最高，为4.47%。

3. 模型绩效对比

• 信息比率：
  • 全A选股（非行业中性）：Stacking最高，为3.62。
  • 全A选股（沪深300行业中性）：Stacking最高，为2.05。
  • 全A选股（中证500行业中性）：Stacking最高，为3.72。
  • 沪深300指数内选股：逻辑回归最高，为1.10。
  • 中证500指数内选股：逻辑回归最高，为1.58。
• 年化超额收益率：
  • 全A选股（非行业中性）：随机森林最高，为22.36%。
  • 全A选股（沪深300行业中性）：朴素贝叶斯最高，为12.76%。
  • 全A选股（中证500行业中性）：随机森林最高，为18.45%。
  • 沪深300指数内选股：逻辑回归最高，为6.09%。
  • 中证500指数内选股：逻辑回归最高，为6.86%。

4. 选股策略与模型构建方法

• 选股策略：
  • 全A选股（非行业中性）：月频调仓，选择50只预测表现最好的股票进行等权配置。
  • 全A选股（沪深300行业中性）：月频调仓，行业权重与沪深300保持一致，每个行业内选择4只股票进行等权配置。
  • 全A选股（中证500行业中性）：月频调仓，行业权重与中证500保持一致，每个行业内选择4只股票进行等权配置。
  • 沪深300指数内选股：月频调仓，行业权重与沪深300保持一致，每个行业内选择2只股票进行等权配置。
  • 中证500指数内选股：月频调仓，行业权重与中证500保持一致，每个行业内选择4只股票进行等权配置。
• 模型构建流程：
  • 数据获取：股票池包括沪深300、中证500和全A股，剔除ST、停牌及上市3个月内的股票。
  • 特征提取：使用70个因子（包括估值、成长、动量反转、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。
  • 训练与调参：训练集与交叉验证集按90%和10%比例划分，以AUC或平均AUC为标准进行调参。
  • 组合构建：基于模型预测值，构建组合进行选股。

5. 风险提示

• 人工智能模型构建的选股策略基于历史经验，存在失效风险。
• 投资者应充分考虑自身投资目标、财务状况和风险承受能力，不应将本报告作为唯一决策依据。

附录：模型与因子信息

1. 模型名称

• Stacking
• SVM
• 朴素贝叶斯
• 随机森林
• XGBoost
• 逻辑回归
• 神经网络

2. 因子池（部分）

总结

本报告详细分析了华泰人工智能选股策略在不同市场环境下的表现，展示了各模型在不同选股方式中的相对优势，并提供了详细的模型构建流程与因子池信息。总体来看，神经网络在全A选股（非行业中性）中表现最佳，而逻辑回归在沪深300指数内选股中表现突出。所有策略均采用月频调仓，且基于统一的回测条件进行评估。尽管AI模型在历史数据中表现良好，但投资者需注意其可能失效的风险，并结合自身情况做出投资决策。