机器学习系列报告之二：机器学习合成非线性因子，增强效果如何？-20210312-申万宏源-42页_2mb

机器学习在多因子选股中的应用与效果分析

核心内容概述

本报告探讨了机器学习在多因子选股中的应用，分析了不同机器学习模型在合成因子与构建投资组合中的表现，并对因子的有效性、模型效果及市场适应性进行了评估。

主要观点

• 因子有效性随市场变化：传统的等权法与IC加权法在合成因子时各有优劣，但均无法捕捉因子之间的交互作用。机器学习能够更好地适应市场变化，挖掘非线性关系。
• 机器学习模型效果：在多头组合中，神经网络表现最佳，随机森林与XGBoost紧随其后；在空头组合中，基于决策树的集成模型表现较好，能有效控制波动率和回撤。
• 因子影响与相关性：合成因子与流动性、波动率相关性最高，与财务质量相关性最低。机器学习在技术面因子中表现优于基本面因子。
• 数据量与模型表现：模型效果高度依赖于数据量与特征数，样本池减少（如中证500）会显著影响机器学习模型的增强效果。

关键信息

1. 多因子选股理论与挑战

• 多因子模型：多因子选股已广泛应用于A股市场，涵盖基本面与技术面因子，如规模、估值、盈利、成长、反转、波动率、流动性、分析师一致预期等。
• 等权法与IC加权法：等权法简单直观，但无法体现因子差异；IC加权法能反映因子动量，但无法捕捉交互作用。
• 回测结果：多头组合在多数年份表现优于中证全指，但2017、2018年表现较差。

2. 机器学习选股框架

• 流程：包括数据准备、模型训练、参数调整、组合构建、模型评价等步骤。
• 数据准备：样本池为沪深全部A股，剔除ST及上市不满120天的股票；使用2010年1月至2020年12月的十大类风格因子。
• 模型训练：采用滚动窗口法（24个月），通过5折交叉验证选择最优参数，使用AUC作为评价标准。
• 参数调整：不同模型的参数含义与搜索范围各不相同，如逻辑回归的正则化参数，支持向量机的核函数与正则化程度等。

3. 机器学习模型表现

• 逻辑回归：IC中位数为12.96%，多头组合年化收益率为34.1%，夏普比率为1.26。
• 朴素贝叶斯：IC中位数为12.61%，多头组合年化收益率为35.0%，夏普比率为1.31。
• 支持向量机：IC中位数为12.76%，多头组合年化收益率为33.5%，夏普比率为1.24。
• 决策树：IC中位数为10.52%，多头组合年化收益率为32.8%，夏普比率为1.19。
• 随机森林：IC中位数为13.04%，多头组合年化收益率为35.2%，夏普比率为1.30。
• 梯度提升树：IC中位数为12.68%，多头组合年化收益率为34.5%，夏普比率为1.27。
• XGBoost：IC中位数为12.72%，多头组合年化收益率为35.2%，夏普比率为1.30。
• LightGBM：IC中位数为13.14%，多头组合年化收益率为35.5%，夏普比率为1.32。
• 神经网络：IC中位数为13.62%，多头组合年化收益率为35.5%，夏普比率为1.32。

4. 模型评价与因子分析

• 模型增强效果：多数模型在多头组合中表现优于等权法，但空头组合效果差异较大。
• 因子影响拆分：通过边际依赖函数可将单因子影响拆分为线性与非线性部分。神经网络对规模、流动性、盈利、成长因子的非线性影响较大，而分红、财务质量、分析师一致预期的线性影响占主导。
• 因子相关性：合成因子与流动性、波动率相关性最高，与财务质量相关性最低。
• 基本面 vs 技术面：机器学习在技术面因子中表现优于基本面因子，尤其是空头组合。

5. 样本池变化对模型的影响

• 全市场 vs 中证500：样本池减少显著影响模型效果，尤其在多头组合中，机器学习模型无法提升效果，但在空头组合中可一定程度提升表现。
• 数据量与特征数：模型效果依赖于数据量和特征数，数据不足时线性模型优于复杂模型。

总结

• 机器学习增强因子合成：能够捕捉因子间的非线性关系，提升多头组合表现，尤其在技术面因子中效果显著。
• 模型选择：神经网络、随机森林、XGBoost在多头组合中表现较好，而基于决策树的集成模型在空头组合中表现更优。
• 风险提示：机器学习模型依赖历史数据，市场环境变化可能导致模型失效。

参考文献

• 《量化投资新起点——机器学习系列报告之一》
• 《机器学习在量化金融中的应用》
• 《Scikit-learn: Machine Learning in Python》

风险提示

• 机器学习模型基于历史数据构建，无法保证未来表现。
• 市场环境变化可能导致模型失效，需持续监控与调整。