20220125-德邦证券-德邦金工机器学习专题之三_基于财务与风格因子的机器学习选股_20页_3mb

报告摘要

金融工程专题总结

核心内容

本文探讨了基于财务与风格因子的机器学习选股方法，重点介绍了机器学习残差因子和反转因子的构建，并进一步构造了复合因子以提升选股能力。通过回测和归因分析，验证了该因子在不同股票池中的有效性，并对策略容量进行了测试。

主要观点

复合因子构建：通过将机器学习残差因子与反转因子等权结合，构建出一个更稳健的复合因子，具有更稳定的超额收益能力。
财务因子引入：在原有风格因子基础上引入财务因子（如季度营业成本同比增速、研发投入同比增速、营业利润同比增速、ROE等），显著提升了模型的选股能力。
风格中性：通过正交化处理，确保因子在风格上中性，但保留对财务因子的暴露，以捕捉特质收益。
多空收益显著：机器学习反转因子表现出显著的多空收益，尤其是在空头方向上，其表现优于残差因子。
策略有效性：复合因子在全市场、中证500成分股中表现良好，但在沪深300成分股中失效。
策略容量：策略具有百亿级别的容量，且在不同资金规模下表现稳定。
超额收益来源：超额收益主要来自于对财务因子的正确暴露，以及机器学习模型对风格和财务因子非线性关系的捕捉。

关键信息

投资要点

综合使用风格与财务因子进行选股，可显著提高模型的选股能力。
构造机器学习残差因子和反转因子，并通过等权方法构造复合因子。
复合因子在2015年至2021年间每年均保持正的超额收益，且信息系数较高。
策略的换手率相对较低，约为8.14%。
在高集中度组合中，空头收益显著提升，但多头收益未明显改善。
策略在沪深300成分股中失效，但在中证500和中证1000成分股中有效。

数据与模型

财务因子：选取季度ROE、季度营业成本同比增速、总成本同比增速、研发投入同比增速、营业利润同比增速。
模型类型：神经网络、随机森林、提升树三种模型，采用Z-score标准化和平均输出方式构造总集成模型。
因子计算方法：通过WLS回归计算特质收益率，再使用机器学习模型拟合，得到残差因子和反转因子。

回测结果

机器学习残差因子：
- 在中证1000成分股中，超额年化收益率约为14%。
- 在全市场中，超额年化收益率约为18%。
- 在中证500成分股中，超额年化收益率显著高于中证1000，但未达到沪深300指数的水平。
机器学习反转因子：
- 在全市场中，平均RankIC为0.068，RankICIR为1.175。
- 在中证1000成分股中，平均RankIC为0.073，RankICIR为0.8。
复合因子：
- 在全市场中，平均RankIC为0.066，RankICIR为1.132。
- 在中证1000成分股中，平均RankIC为0.07，RankICIR为0.8。
- 在中证500成分股中，超额收益显著提升，但沪深300成分股中失效。

组合容量测试

初始资金从10亿增加至500亿，年化收益率从16.1%下降至11.1%。
策略的调仓完成度在90%以上，表明策略具备百亿量级的容量。

收益归因

超额收益主要来源于对财务因子的正确暴露。
通过机器学习模型捕捉风格和财务因子的非线性关系，有效提升了选股能力。

风险提示

市场风格变化风险。
模型失效风险。
数据可用性风险。

分析师与研究助理简介

肖承志：德邦证券首席金融工程分析师，具有6年证券研究经验，研究方向包括市场择时、资产配置、量化与基本面选股。
王成煌：德邦证券金融工程助理研究员，具有博士学历，研究方向为主动量化选股。

法律声明

本报告仅供德邦证券客户使用，不构成投资建议。
报告内容基于公开信息，不保证其准确性或完整性。
报告内容未经授权不得复制、分发或引用。

图表目录（摘要）

图1：因子计算方法示意图。
图2：基于风格因子的机器学习残差因子分组回测结果。
图3：十因子机器学习残差因子的信息系数（全市场）。
图4：十因子机器学习残差因子的信息系数（中证1000成分）。
图5：基于风格和财务因子的机器学习残差因子分组回测结果。
图6：十五因子机器学习残差因子的信息系数（全市场）。
图7：十五因子机器学习残差因子的信息系数（中证1000成分）。
图8：机器学习反转因子的分组回测结果。
图9：机器学习反转因子的信息系数（全市场）。
图10：机器学习反转因子的信息系数（中证1000成分）。
图11：复合因子的分组回测结果。
图12：复合因子的信息系数（全市场）。
图13：复合因子的信息系数（中证1000成分）。
图14：策略的双边换手率。
图15：高集中度组合。
图16：复合因子在全市场选股的回测结果。
图17：复合因子在中证500成分股中的回测结果。
图18：复合因子在沪深300成分股中的回测结果。
图19：复合因子的容量测试结果。
图20：决策后第15日调仓完成度。
图21：组合收益归因。

表格目录（摘要）

表1：财务因子列表。
表2：行业平均主动暴露及年化超额收益率贡献。

结论

通过引入财务因子，机器学习模型的选股能力得到显著提升。复合因子在多个股票池中表现良好，尤其在中证500成分股中，表现出较高的超额收益能力。然而，该因子在沪深300成分股中失效，表明在大市值股票池中，量化选股的难度较大。此外，策略具备较大的容量和稳健的超额收益能力，但需注意市场风格变化、模型失效及数据可用性等风险。

展开完整摘要