20181030-浙商证券-人工智能系列_降维_预测与组合构建-一种_倒向切片回归_方法_18页_1mb

人工智能系列：降维、预测与组合构建—一种“倒向切片回归”方法

核心内容概述

本文介绍了“倒向切片回归”（Sliced Inverse Regression, SIR）方法在金融预测中的应用，强调其在处理高维数据时的优越性。SIR是一种非参数降维方法，与传统的主成分分析（PCA）相比，其在降维过程中考虑了被预测变量的信息，从而提升预测精度。作者结合了两位华人统计学家的成果，即李克昭的SIR方法和范剑青的因子模型思想，提出了一种适用于金融投资的SIR策略，用于构建股票组合并预测未来收益。

主要观点

1. 预测问题的重要性：在金融研究中，预测问题是核心，但面对海量因子，传统方法难以有效利用所有信息。
2. SIR方法的优势：
   • 与PCA等方法不同，SIR在降维时考虑了被预测变量的信息。
   • 通过“充分预测变量”进行预测，可以显著提升模型的拟合精度。
   • 无偏估计，且不需要假设数据的分布，适合金融建模。
3. SIR与AI的结合：SIR可以被看作是人工智能的一种方法，其流程可类比为深度学习的四层结构。
4. 金融应用的可行性：SIR方法适用于构建股票组合，尤其是对主动权益投资、指数增强策略和对冲策略提供参考。
5. 策略实施方式：
   • 每隔30个交易日调仓一次。
   • 通过SIR获取预测变量，结合线性回归模型预测未来收益。
   • 选取预测收益排名前30的股票作为多头组合，后30作为空头组合。
6. 预测效果验证：
   • 在模拟计算中，SIR的预测误差集中在（-0.3, 0.3）区间，呈正态分布。
   • PCA的预测误差更离散，甚至超出0.6的范围，说明SIR在预测性能上更优。

关键信息

• SIR基本思想：

  • 通过将因变量Y划分为多个切片，计算每个切片内自变量X的平均值。
  • 构建协方差矩阵 $\Sigma_{\eta}$ 和 $\Sigma_{x}$，寻找满足 $\Sigma_{\eta} b_i = \lambda_i \Sigma_{x} b_i$ 的特征向量，作为降维方向。

• SIR算法步骤：

  1. 标准化数据。
  2. 将Y分成H个切片，计算每个切片内X的平均值。
  3. 构建 $\hat{\Sigma}_{f|y}$ 矩阵，用于降维。
  4. 提取 $\hat{\Sigma}_{f|y}$ 的最大特征向量，作为充分预测变量。
  5. 使用这些变量进行线性回归预测 $R_{t+1}$。

• R语言实现：

  • 提供了 mat_power 和 discretize 函数用于计算SIR的矩阵变换和切片划分。
  • sir 函数实现了完整的SIR算法流程。

• 金融应用示例：

  • 使用沪深300成分股的收益率矩阵，通过PCA提取25个主成分，再利用SIR进行降维。
  • 构建多头与空头组合，采用等权重策略。
  • 通过SIR方法，模型在预测上表现出优于PCA的效果。

• 模拟结果：

  • 在模拟数据中，SIR方法的R方达到97.4%，显示出极高的拟合精度。
  • SIR方法在预测误差分布上更集中，说明其具有更好的预测性能。

附录信息

• 参考文献：

  1. Li, K.-C. (1991), Sliced inverse regression for dimension reduction.
  2. Cook, R.D. (2007), Fisher lecture: Dimension reduction in regression.
  3. Zhu, Y. et al. (2005), RSIR: Regularized SIR for motif discovery.
  4. Fan, Jianqing et al. (2017), Sufficient forecasting using factor models.
  5. Forni, M. et al. (2000), Generalized dynamic-factor model.
  6. Lam, C. et al. (2012), Factor modeling for high-dimensional time series.
  7. Ludvigson, S. & Ng, S. (2007), Empirical risk return relation.
  8. Schott, J. R. (1994), Determining the dimensionality in SIR.

• R代码：

  • 提供了 mat_power、discretize 和 sir 函数的代码实现。
  • 代码可实现SIR的矩阵变换、切片划分和特征向量提取。

图表说明

• 图1：展示中心子空间的直观例子。
• 图2：SIR算法流程图。
• 图3：SIR预测流程的AI化展示。
• 图4：SIR与PCA预测误差对比图。
• 图5：SIR与深度学习结构的关联图。
• 图6：AI化预测流程图。
• 图7：预测组合的累积收益图。

应用案例

• 通过SIR方法构建股票组合，选取预测收益排名前30的股票作为多头，后30作为空头。
• 采用等权重策略，模型每隔30个交易日调仓一次。
• 模拟结果显示，SIR方法在预测性能上显著优于PCA方法。

投资建议

• 本文建议投资者使用SIR方法进行组合构建，以获取更优的预测结果。
• 由于SIR方法需要一定的数学基础，机构投资者应结合自身因子库进行优化。
• 预测值本身无直接投资意义，但通过相对排序，可提供股票超低配建议。

风险提示

• 本报告仅供参考，不构成投资建议。
• 投资决策应基于个人情况，包括持仓结构和投资目标。
• 投资有风险，市场有波动，建议谨慎决策。