20180325-华泰证券-人工智能选股周报_市场下跌_多数策略跑赢基准_17页_1mb

华泰人工智能选股策略周报总结（2018年03月25日）

核心内容概述

本报告总结了华泰证券金工团队在2018年3月24日发布的人工智能选股周报，分析了多种机器学习模型在不同选股策略下的表现。报告涵盖了全A选股和指数内选股两种方式，分别以沪深300和中证500为基准，并对不同时间周期（如本周、最近一月、最近三月、最近半年、最近一年）进行了回测。此外，报告还介绍了机器学习模型在多因子选股中的应用流程和所使用的因子池。

主要观点与关键信息

1. 本周市场表现

• 中证500：本周下跌 5.84%。
• 沪深300：本周下跌 3.73%。

2. 人工智能选股策略表现

（1）全A选股（非行业中性）

• 表现最好的策略：随机森林（超额收益 2.65%）。
• 最近三月：随机森林表现最佳（超额收益 11.03%）。
• 最近一年：朴素贝叶斯表现最佳（超额收益 18.62%）。

（2）全A选股（沪深300行业中性）

• 表现最好的策略：神经网络（超额收益 0.09%）。
• 最近三月：XGBoost表现最佳（超额收益 1.87%）。
• 最近一年：朴素贝叶斯表现最佳（超额收益 -8.31%）。

（3）全A选股（中证500行业中性）

• 表现最好的策略：神经网络（超额收益 2.48%）。
• 最近三月：随机森林表现最佳（超额收益 6.62%）。
• 最近一年：随机森林表现最佳（超额收益 6.55%）。

（4）沪深300指数内选股

• 表现最好的策略：朴素贝叶斯（超额收益 0.55%）。
• 最近三月：逻辑回归表现最佳（超额收益 2.34%）。
• 最近一年：朴素贝叶斯表现最佳（超额收益 5.25%）。

（5）中证500指数内选股

• 表现最好的策略：逻辑回归（超额收益 1.25%）。
• 最近三月：朴素贝叶斯表现最佳（超额收益 2.23%）。
• 最近一年：SVM表现最佳（超额收益 3.75%）。

机器学习模型与选股策略

华泰证券金工团队跟踪了以下6种机器学习模型在多因子选股中的表现：

• SVM
• 朴素贝叶斯
• 随机森林
• XGBoost
• 逻辑回归
• 神经网络

其中，神经网络未用于沪深300和中证500指数内选股，因其对因子数据的需求较大。

选股策略构建

每种模型构建了以下5种选股策略：

1. 全A选股（非行业中性）：等权配置50只预测表现最好的股票。
2. 全A选股（沪深300行业中性）：按沪深300行业权重配置，每个行业选4只股票。
3. 全A选股（中证500行业中性）：按中证500行业权重配置，每个行业选4只股票。
4. 沪深300指数内选股：按沪深300行业权重配置，每个行业选2只股票。
5. 中证500指数内选股：按中证500行业权重配置，每个行业选4只股票。

统一回测条件

• 股票池处理：剔除ST、停牌、上市3个月内的股票。
• 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。
• 数据处理：
  • 中位数去极值
  • 缺失值填充为行业平均
  • 行业市值中性化
  • 标准化处理
• 交易费用：双边交易费用为千分之二。

策略绩效指标（部分策略）

风险提示

• 通过人工智能模型构建选股策略是历史经验的总结，存在失效的可能。

附：因子池

结论

华泰人工智能选股策略在多个时间段内均展现出优于基准的表现，其中：

• 随机森林在全A选股（非行业中性）和中证500指数内选股中表现突出。
• XGBoost在全A选股（非行业中性）中拥有最高的信息比率（2.79）。
• 逻辑回归在中证500指数内选股中表现最佳（信息比率1.67）。
• 朴素贝叶斯在沪深300指数内选股中表现最佳（信息比率1.54）。

整体来看，人工智能模型在不同市场环境下仍能提供一定的超额收益，但需注意市场波动性对模型效果的影响。