多因子量化选股系列之六：遗传规划的研究与应用-20230925-湘财证券-25页_1mb

报告摘要

多因子量化选股系列之六：遗传规划的研究与应用总结

核心内容

本报告是湘财证券多因子量化选股系列的第六篇，主要探讨遗传规划算法在量价因子挖掘中的应用。通过扩展gplearn程序的函数集并引入时间序列相关函数，结合中证500股票池进行因子训练，最终生成15个有效遗传规划因子，并通过因子合成方法构建中证500指数增强策略。

主要观点

遗传规划概述：遗传规划是一种基于生物进化原理的自动编程方法，通过繁殖、交叉、突变等操作优化因子表达式，适用于复杂因子挖掘任务。
因子挖掘与检验：使用遗传规划算法挖掘量价因子，输入变量包括高开、低收、成交量等，预测目标为20日后收益率，最终筛选出15个因子。
因子合成：对相关性较高的因子进行合成，提升因子整体表现，合成因子的IC均值为0.07，ICIR为0.77，多空组合年化收益达17.84%。
策略构建：基于合成因子构建中证500指数增强策略，回测时间为2016.12.30至2023.08.30，超额年化收益为6.06%，信息比率为1.29，Calmar比率为0.78。
风险提示：模型基于历史数据，未来可能存在因子失效或模型失效的风险。

关键信息

遗传规划因子挖掘

输入变量：股票高开、低收、成交量等。
预测目标：股票20日后收益率。
因子数量：共生成15个有效因子。
筛选标准：适应度（IC均值）大于0.02的表达式。
最佳因子表现：
- IC均值：0.04
- ICIR：0.45
- 年化收益：11.88%
- Sharpe比率：1.31
- Calmar比率：0.89

遗传规划因子合成

合成方法：对相关性较高的因子进行合成，再与相关性低的因子组合。
合成因子表现：
- IC均值：0.07
- ICIR：0.77
- 年化收益：17.84%
- 波动率：8.94%
- 最大回撤：-12.68%
- Sharpe比率：2
- Calmar比率：1.41

策略构建与回测

策略类型：中证500指数增强策略。
回测时间：2016.12.30至2023.08.30。
调仓频率：每月最后一个交易日调仓，持仓期为一个月。
策略表现：
- 超额年化收益：6.06%
- 波动率：4.70%
- 最大回撤：-7.77%
- 信息比率：1.29
- Calmar比率：0.78
- 2023年超额收益：2.74%

因子列表与表现

因子名称	表达式	IC均值	ICIR	年化收益(%)	波动率(%)	最大回撤(%)	Sharpe	Calmar
Factor1	add(ts_cov(turn, amt, 20), ts_chg(turn, 20))	0.03	0.37	6.08	9.21	-16.95	0.66	0.36
Factor2	ts_ms(amt, 20)	0.03	0.34	5.23	6.96	-13.83	0.75	0.38
Factor3	ts_std(ts_corr(turn, amt, 10), 5)	0.01	0.16	7.3	8.41	-11.88	0.87	0.61
Factor4	mul(turn, amt)	0.04	0.45	11.88	9.06	-13.39	1.31	0.89
Factor5	rank_sub(open, amt)	0.03	0.46	2.16	7.49	-20.09	0.29	0.11
Factor6	ts_mean(ts_corr(high, turn, 10), 20)	0.04	0.39	5.59	8.83	-19.35	0.63	0.29
Factor7	mul(log(turn), ts_std(amt, 10))	0.04	0.49	6.66	9.51	-12.1	0.7	0.55
Factor8	ts_mean(rank(ts_corr(high, low, 20)), 20)	0.01	0.15	6.72	7.75	-11.58	0.87	0.58
Factor9	rank_sub(rank_sub(ret, close), ts_chg(ret, 10))	0.02	0.24	1.54	6.85	-14.88	0.22	0.1
Factor10	ts_mean(ts_delay(ts_chg(open, 60), 10), 60)	0.02	0.16	9.33	11.52	-19.17	0.81	0.49
Factor11	ts_cov(turn, ret, 60)	0.04	0.45	5.08	8.91	-11.23	0.57	0.45
Factor12	ts_mean(div(open, low), 60)	0.04	0.29	1.86	12.35	-29.99	0.15	0.06
Factor13	rank_add(ts_ms(low, 20), ts_ms(ret, 20))	0.02	0.17	3.89	9.85	-16.44	0.39	0.24
Factor14	ts_skew(open, 60)	0.02	0.32	6.11	6.8	-10.15	0.9	0.6
Factor15	ts_skew(high, 20)	0.03	0.32	2.82	7.33	-16.02	0.38	0.18

因子相关性矩阵

因子	Factor1	Factor2	Factor3	Factor4	Factor5	Factor6	Factor7	Factor8	Factor9	Factor10	Factor11	Factor12	Factor13	Factor14	Factor15
Factor1	1.00	0.31	-0.18	0.69	0.22	0.23	0.70	-0.07	-0.03	-0.09	0.43	0.28	0.19	0.12	0.09
Factor2	0.31	1.00	0.10	0.10	0.12	0.36	0.11	0.13	0.01	0.07	0.09	0.03	0.07	0.08	0.29
Factor3	-0.18	0.10	1.00	-0.23	-0.07	0.11	-0.20	0.12	0.01	0.09	-0.14	-0.26	-0.29	0.00	0.09
Factor4	0.69	0.10	-0.23	1.00	0.25	0.12	0.81	-0.08	0.00	-0.09	0.36	0.23	0.10	0.08	0.05
Factor5	0.22	0.12	-0.07	0.25	1.00	0.12	0.31	-0.06	0.37	-0.02	0.18	0.14	0.07	0.08	0.04
Factor6	0.23	0.36	0.11	0.12	0.12	1.00	0.13	0.24	0.02	0.03	0.21	-0.04	-0.15	0.09	0.18
Factor7	0.70	0.11	-0.20	0.81	0.31	0.13	1.00	-0.09	0.00	-0.12	0.40	0.31	0.12	0.09	0.05
Factor8	-0.07	0.13	0.12	-0.08	-0.06	0.24	-0.09	1.00	0.01	0.00	-0.02	-0.10	-0.23	0.02	0.03
Factor9	-0.03	0.01	0.01	0.00	0.37	0.02	0.00	0.01	1.00	0.03	0.00	-0.06	-0.08	0.00	0.02
Factor10	-0.09	0.07	0.09	-0.09	-0.02	0.03	-0.12	0.00	0.03	1.00	-0.13	-0.29	-0.07	0.03	0.01
Factor11	0.43	0.14	-0.14	0.36	0.18	0.21	0.40	-0.02	0.00	-0.13	1.00	0.28	0.11	0.08	0.03
Factor12	0.28	0.03	-0.26	0.23	0.14	-0.04	0.31	-0.10	-0.06	-0.29	0.28	1.00	0.42	0.06	0.00
Factor13	0.19	0.07	-0.29	0.10	0.07	-0.15	0.12	-0.23	-0.08	-0.07	0.11	0.42	1.00	-0.12	-0.03
Factor14	0.12	0.09	0.00	0.08	0.08	0.19	0.09	0.02	0.00	0.03	0.08	0.06	-0.12	1.00	0.09
Factor15	0.09	0.29	0.09	0.05	0.04	0.18	0.05	0.03	0.02	0.01	0.03	0.00	-0.03	0.09	1.00

策略表现

回测时间：2016.12.30至2023.08.30
调仓频率：每月最后一个交易日调仓
持仓期：一个月
持股数量：约90只
策略表现：
- 超额年化收益：6.06%
- 波动率：4.70%
- 最大回撤：-7.77%
- 信息比率：1.29
- Calmar比率：0.78
- 2023年超额收益：2.74%

风险提示

模型基于历史数据，未来可能出现因子或模型失效的风险。
投资者需自行承担投资风险，不得依赖本报告进行决策。

总结

本报告通过遗传规划算法，从量价数据中挖掘出15个有效因子，并对因子进行合成以提升策略表现。合成因子在多空组合中表现出色，年化收益达17.84%，波动率和最大回撤较低，且Sharpe比率和Calmar比率较高。基于合成因子构建的中证500指数增强策略在回测中表现稳健，超额年化收益为6.06%，信息比率为1.29，Calmar比率为0.78。未来将持续研究机器学习算法在多因子策略中的应用。

展开完整摘要