学术文献研究系列第16期：构造多空股票投资组合，一种新的排序学习算法-20211125-国信证券-17页_1mb

个股研究报告总结

核心内容

本报告介绍了一种新的学习排序算法，用于构建多空股票投资组合。该算法基于Listwise学习排序框架，提出了一种新的损失函数ListFold，旨在同时强调排名队列的头部和尾部。与传统方法不同，ListFold具有平移不变性和概率可解释性，能够更全面地反映多空策略中对排名预测的双重需求。

主要观点

• 学习排序算法的应用：传统的多因子策略主要依赖因子的数值预测，而本文提出基于排序预测的新思路，通过学习排序模型来预测股票的相对排名。
• ListFold损失函数的创新：ListFold损失函数将头部和尾部视为同等重要，避免了传统方法在预测过程中可能产生的矛盾，如同时买卖同一只股票。
• 模型结构：模型采用4层全连接神经网络结构，使用ListFold与MLP、ListMLE和Song拟合的List2MLE作为损失函数进行比较。
• 实证表现：在2006-2019年中国A股市场的631周数据中，ListFold-exp表现优于其他模型，样本外年收益率达38%，夏普比率为2。
• 排序指标评估：使用Spearman's ρ和NDCG@±k进行评估，其中NDCG@±k同时考虑头部和尾部的排名准确性，IC指标在评估alpha策略时表现更优。
• 鲁棒性分析：ListFold在不同仓位截止参数k下表现稳定，且对小批量训练具有一定的适应性。

关键信息

数据与方法

• 数据集：包含中国A股市场3712只股票的631周数据，共68个因子。
• 模型结构：4层全连通神经网络，输入为68个因子，输出为股票评分。
• 损失函数：ListFold，基于头部和尾部的对称性设计，与ListMLE有直接联系。

实证结果

• 做空尾部10%股票策略：
  • ListFold-exp年化收益率38%，夏普比率2。
  • MLP的净值仅为ListFold-exp的2/3。
  • ListFold-exp优于List2MLE。
• 做空平均值策略：
  • ListFold表现良好，而ListMLE和MLP收益甚微。
• 策略表现：
  • 平均交易成交量（TRV）和最大回撤（MDD）指标显示ListFold策略相对稳健。
  • ListFold-exp和ListFold-sgm在不同k值下表现稳定，尤其在k=40时性能最佳。

排序指标

• NDCG@±k：同时强调头部和尾部的排名准确性，比传统NDCG更具优势。
• IC指标：在评估alpha策略时表现优于NDCG类型指标。

理论分析

• ListFold与二元分类损失的一致性：当变换函数为sigmoid时，ListFold与二元分类损失一致。
• ListFold与排列0-1损失的一致性：当变换函数为指数函数时，ListFold与排列0-1损失一致。
• 概率解释：ListFold的概率模型基于对称性和平移不变性，能够解释头部和尾部的相对关系。

模型优势

• 平移不变性：ListFold模型具有平移不变性，而ListMLE仅在指数变换函数下具有这一特性。
• 对称性：ListFold模型在设计上兼顾头部和尾部的预测，避免了传统方法的局限。
• 实证优势：在多空策略中表现优异，尤其在市场动荡时仍能保持稳定收益。

风险提示

• 本报告基于相关文献，不构成投资建议。
• 投资者应结合自身情况判断是否采用报告内容，自行承担投资风险。
• 报告信息可能不完整或不准确，不保证其最新状态。

独立性声明

• 所采用的数据均来自合规渠道，分析基于职业理解，结论客观公正，不受第三方影响。

未来研究方向

• 深入研究ListFold损失函数的一致性。
• 探索不同变换函数对实际损失函数的影响。
• 将ListFold应用于不同因子库和神经网络模型。
• 结合其他损失函数或添加辅助任务以提升模型性能。