20240909-国金证券-Alpha掘金系列之十三_AI选股模型特征筛选与处理_SHAP_中性化与另类特征_26页_3mb

量化投资特征工程优化与指数增强策略分析总结

研究背景

针对机器学习模型在量化投资应用中的特征工程问题，本报告系统性研究了特征选择方法、因子中性化处理与另类因子引入对选股和指数增强策略的影响。

特征选择方法比较

1. 基础统计方法：Spearman相关性法筛选效果最优，选取高IC贡献因子，显著提升模型风险调整收益；
2. SHAP解释方法：通过模型预测结果归因量化因子重要性，对GRU模型识别能力更强；
3. STG深度学习模块：虽可自动选择特征，但实际表现相对较差，工程实用性不足。

因子处理优化

1. 行业市值中性化：对LightGBM模型效果显著，IC均值提升43%，超额收益增强；
2. 标签中性化：在基准与合成策略中增益明显，但GRU模型因缺失基本面信息表现欠佳。

另类因子有效性验证

1. 宏观与BARRA因子：显著改善全A股及中小盘指数预期收益，中证1000组合年化超额达2542%；
2. 高频因子：在小微盘(中证1000)展现强大预测力，IC均值超1500%，需定向应用于中小市值市场。

混合模型性能评估

特征工程优化的GBDT+NN模型在各宽基指数表现突出：

• 沪深300：年化超额1583%，最大回撤318%
• 中证500：年化超额1823%，最大回撤821%
• 中证1000：年化超额3224%，最大回撤388%

结论与建议

建立收益与风险均均衡的特征工程框架：结合SHAP特征筛选+标签中性化处理+定向高频因子，构建适应不同市值框架的混合模型。高频数据与基本面融合用于小微盘投资，在大盘市场宜采用稳健的树模型结构。

风险提示

历史数据回测存在模型时效风险，实盘交易需考虑市场环境变化与交易成本影响。