20210604-东海证券-金融工程专题报告_技术因子智能择股与止盈策略研究_22页_3mb

技术因子智能择股与止盈策略研究总结

核心内容

本报告基于此前的《技术因子的智能择股研究》，进一步优化了技术因子机器学习模型，以提高预测准确率并减少训练时间。研究重点在于通过改进样本特征值和目标值，构建更有效的滚动训练、预测与跟踪框架，并引入止盈策略以提升投资组合的风险控制和收益表现。

主要观点

1. 模型改进：

   • 将样本数据拆分为不同指数成分股，以反映市场板块差异。
   • 调整训练目标为给定时间周期内的最大涨跌幅，而非期末收益率。
   • 引入多指标形成的形态指标作为特征因子，提高模型区分能力。
   • 通过离散化处理，将回归问题转化为分类问题，以提升模型预测效果。

2. 预测准确率提升：

   • 采用随机森林模型，预测准确率显著提高。
   • 以2018年样本训练的模型预测准确率最高，达到80%以上。
   • 预测误差显著降低，差值为0的样本占比高，错误估计样本数随差值绝对值增大而快速下降。

3. 止盈策略优化：

   • 基于模型预测值设置止盈位，提前平仓以降低最大回撤。
   • 止盈策略在部分测试条件下提高了年化收益率，尤其在10日换仓策略中表现更优。
   • 止盈策略使最大回撤显著降低，贝塔系数也普遍降至20%以下。

关键信息

样本数据与特征指标

• 样本数据：选取上证50、沪深300、中证500、中证800、中小100等主要指数成分股作为训练样本，时间范围为2015年至2019年。
• 特征指标：包括技术指标（移动平均线、True Range、ATR、布林线、唐奇安通道等）和形态指标（均线多头排列、均线金叉、布林线上穿、唐奇安通道突破等）。
• 目标值：调整为未来5日和10日的最大涨跌幅，以提高预测的实用性。

模型训练与预测结果

• 模型选择：采用逻辑斯蒂克回归、岭回归分类器、随机森林、多层感知机、决策树、线性支持向量分类器等模型进行训练。
• 训练方案：以年为单位分割样本，进行滚动训练。模型预测准确率在5日和10日周期中分别达到80%以上和70%以上。
• 预测误差分析：模型预测误差显著低于此前研究，预测最大涨幅效果优于最大跌幅，5日预测优于10日预测，大市值股票预测效果更优。

回归测试与组合表现

• 回归测试方案：覆盖2016年至2020年，采用5日和10日换仓策略，以模型预测值作为因子进行排序选股。
• 组合表现：
  • 5日换仓策略：年化收益率在22.73%至34.90%之间，最大回撤较高，但止盈策略使最大回撤显著降低，年化收益率有所下降。
  • 10日换仓策略：年化收益率在25.40%至32.73%之间，止盈策略普遍提高年化收益率，降低最大回撤至-3.47%。
  • 绩效指标：止盈策略显著改善夏普比率、贝塔系数等指标，提升策略的稳定性和风险调整后的收益。

结构与图表说明

• 图表目录：

  • 图1至图3：展示连续值指标与最大涨跌幅、最大回撤的分布关系。
  • 图4至图5：展示交叉验证结果，显示模型预测准确率显著提升。
  • 图6至图7：展示预测准确度评分和误差分布，表明模型性能优于以往。
  • 图8至图12：展示不同指数成分股的收益曲线，体现止盈策略的有效性。

• 表格目录：

  • 表1：最大涨幅和最大跌幅的分类级别。
  • 表2至表11：不同指数成分股在5日和10日换仓策略下的表现，包括年化收益率、最大回撤、夏普比率、贝塔系数等。

结论

本研究通过优化样本特征和目标值，提升了技术因子模型的预测准确率和训练效率，形成了更为稳健的选股策略。引入止盈条件后，投资组合的最大回撤显著降低，策略的盈亏比得到改善，且在某些条件下还能提高年化收益率。整体来看，止盈策略在提升投资表现和降低风险方面具有显著效果，尤其是在10日换仓策略中表现更为突出。