20181104-华泰证券-人工智能选股周报__十月全A选股XGBoost表现最好_13页_1mb

金工研究/量化投资周报总结

核心内容

本报告为华泰证券金工团队发布的2018年11月4日量化投资周报，主要分析了多种人工智能模型在不同股票池中的选股表现，并提供了详细的模型性能指标和回测数据。

主要观点

• 人工智能模型被用于多因子选股，旨在挖掘非线性特征以获得更高超额收益。
• 本报告跟踪了Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归和神经网络七种模型。
• 模型在不同股票池（全A选股、沪深300指数内选股、中证500指数内选股、中证800指数内选股）中的表现各有差异。

关键信息

本周市场表现

• 沪深300涨跌幅为3.67%
• 中证500涨跌幅为4.82%
• 中证800涨跌幅为3.94%
• 小盘指数表现优于大盘指数

本周模型表现

2018年以来模型表现

• 全A选股（中证500行业市值中性）：XGBoost超额收益为9.25%
• 沪深300指数内选股：SVM超额收益为4.79%
• 中证500指数内选股：朴素贝叶斯超额收益为6.61%
• 中证800指数内选股：XGBoost超额收益为9.89%

2011年以来模型表现

• RankIC均值最高模型：

  • 全A选股：逻辑回归（0.122）
  • 沪深300成分内选股：随机森林（0.09）
  • 中证500成分内选股：逻辑回归（0.1）
  • 中证800成分内选股：逻辑回归（0.106）

• 年化超额收益率：

  • 全A选股：逻辑回归（6.95%）
  • 沪深300成分内选股：XGBoost（6.99%）
  • 中证500成分内选股：XGBoost（8.17%）
  • 中证800成分内选股：XGBoost（9.89%）

模型回测条件

• 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：单边千分之二。

模型构建方法

• 全A选股：在全部A股中选股，组合构建时进行行业中性和市值中性。
• 指数内选股：在特定指数成分股中选股，组合构建时进行行业中性和市值中性。

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。
• 模型可解释性较低，使用需谨慎。

模型运用流程

1. 数据获取：从沪深300、中证500、全A股中获取数据。
2. 特征和标签提取：计算70个因子暴露度作为特征，下一自然月个股超额收益作为标签。
3. 特征预处理：中位数去极值、缺失值填充、行业市值中性化、标准化。
4. 训练集和交叉验证集合成：
   • 分类问题：按收益排名划分训练集和交叉验证集。
   • 回归问题：直接按比例划分训练集和交叉验证集。
5. 样本内训练：使用训练集进行模型训练。
6. 交叉验证调参：选择交叉验证集AUC（或平均AUC）最高的一组参数。
7. 样本外测试：使用最优参数对样本外数据进行预测，构建组合选股。

涉及因子列表

评级说明

• 行业评级：以报告发布日后6个月内的行业涨跌幅为基准，与沪深300指数比较。
• 公司评级：以报告发布日后6个月内的公司涨跌幅为基准，与沪深300指数比较。

免责声明

• 本报告仅供华泰证券客户使用。
• 报告内容基于公开信息，不保证其准确性及完整性。
• 报告所载意见、评估及预测仅反映发布当日的观点，不构成投资建议。
• 报告内容不应视为做出投资决策的唯一因素。
• 报告版权为华泰证券所有，未经许可不得使用。