基于集成学习算法的量化选股模型研究-20190621-兴业证券-47页_4mb

量化选股模型研究总结

核心内容

本报告介绍了基于改进Adaboost算法构建的E-NELS因子及其在量化选股中的应用。该模型结合了机器学习与金融领域的实际需求，通过优化因子池、改进算法以及考虑市场风格轮动，提升了选股的有效性与稳定性。报告还探讨了不同换手率风格的选股模型，以及如何通过失败者样本的分析来增强模型的表现。

主要观点

• 模型构建：采用改进Adaboost算法，以过去12个月因子表现与股票月收益为训练样本，构建了E-NELS因子。该因子在IC值、IC_IR以及多空策略表现方面均有显著提升。
• 模型优势：
  • 能够有效处理非线性关系，如股权集中度因子的倒U型相关性。
  • 通过行业市值中性化，避免了市场风格的影响，提升了因子的有效性。
  • 具有较强的动态适应性，能够根据市场变化调整因子与权重。
  • 参数敏感性较低，弱分类器数量对模型表现影响有限。
• 模型表现：
  • E-NELS因子的IC为0.136，年化IC_IR为7.0，多空策略年化收益率达61.2%，夏普率高达6.12，最大回撤仅为0.5%。
  • 高换手率的周度选股模型表现更为优异，年化收益率达124.5%，夏普率高达9.82。
  • 针对中证500的月度增强策略超额收益率为12.6%，信息比率为4.27，最大回撤为2.1%。

关键信息

1. E-NELS因子构建与表现

• 构建方法：改进Adaboost算法结合了行业市值中性化和失败者样本分析，构建了E-NELS因子。
• 表现数据：
  • IC值：0.136
  • 年化IC_IR：7.0
  • 多空策略年化收益率：61.2%
  • 夏普率：6.12
  • 最大回撤：0.5%

2. 换手率风格模型

• 高换手率模型：
  • 因子IC：0.12
  • t值：33
  • 年化收益率：124.5%
  • 夏普率：9.82
• 低换手率模型：
  • 因子IC：未明确，但表现出一定的稳定性。

3. 模型增强策略

• 失败者样本分析：构建了L-NELS因子，用于修正原有的NELS因子。L-NELS因子表现良好，IC为0.124，IC_IR为1.49，多空年化收益率为57.7%，夏普率为4.74。
• 合成因子：
  • E-NELS因子（通过NELS与L-NELS合成）表现最优，IC为0.136，IC_IR为2.02，年化收益率达61.2%，夏普率6.12，最大回撤0.5%。

4. 模型适用范围

• 因子池：包含165个因子，涵盖价值、成长、质量、分析师情绪、动量反转、另类（规模、风险、流动性、技术指标）等六大类。
• 选股模型：基于月度和周度E-NELS因子构建了11个模拟组合策略，包括指数增强和主动量化策略，整体表现优异。
• 策略表现：
  • 月度增强策略（中证500）：
    • 超额收益率：12.6%
    • 信息比率：4.27
    • 最大回撤：2.1%
  • 周度增强策略（中证500）：
    • 年化收益率：未明确，但表现优于月度模型。
    • 夏普率：未明确，但显著提升。

5. 风格轮动分析

• 风格表现：
  • 动量反转、情绪、另类因子在各期表现较为稳定。
  • Amount_20D_Avg与Turnover_20D_Avg在特定时期（如2008年金融危机前后及2017-2018年）表现尤为突出。
• 月份效应：
  • 2月份表现较弱，基于L-NELS因子的模型对此有更好把握，IC值为0.12，而NELS因子仅为0.04。

模型改进与增强

• 失败者样本：将IC值低于历史中位数的样本作为失败者样本，构建L-NELS因子，进一步增强模型的稳定性。
• 合成策略：
  • NELS_Comb_Loss：将L-NELS与NELS按1:2合成，表现良好。
  • E-NELS：将1月底的NELS值替换为L-NELS，其他月份按1:2合成，表现最优。

风险提示

• 本报告模型及结论基于历史数据，当市场环境变化时，存在模型失效风险。

总结

本报告展示了基于改进Adaboost算法构建的E-NELS因子在量化选股中的卓越表现，通过行业市值中性化和失败者样本分析进一步提升了模型的有效性。同时，报告还探讨了不同换手率风格的模型表现，以及合成因子对模型的优化作用。整体而言，该模型在收益和风险控制方面均表现出色，具备较强的市场适应能力与稳定性。