机器学习系列报告之五：锦上添花，机器学习算法助力组合优化-20200222-光大证券-24页_1mb

锦上添花：机器学习算法助力组合优化总结

核心内容

本报告探讨了在已有因子基础上，如何通过机器学习算法优化多头股票组合，特别关注指数增强策略的构建。报告指出，传统线性优化方法虽然计算简单，但忽略了个股之间的相关性，导致个股集中度高，优化效果有限。二次规划虽能考虑相关性，但其边际提升有限，且对参数敏感，难以稳定应用。因此，报告建议借鉴风险预算模型，结合机器学习算法，如循环坐标下降（CCD）与交替方向乘子（ADMM），以实现更稳定、更具操作性的组合优化。

主要观点

• 线性优化的局限性：线性优化虽然计算简单且速度快，但未能考虑个股间的相关性，导致个股集中度高，风险控制不足。
• 二次规划的边际提升有限：尽管二次规划能考虑个股相关性，但使用历史收益估计协方差矩阵并未带来显著收益提升，反而增加了波动与回撤。风格因子估计协方差矩阵虽有小幅信息比率提升，但整体优化效果有限。
• 风险预算优化的优势：风险预算模型能有效提升组合的稳定性，降低跟踪误差、换手率，提高持股分散度。在中证500和沪深300指数增强中，风险预算优化的组合表现优于线性优化，尤其在信息比率和最大回撤方面。
• 机器学习算法的应用：CCD和ADMM算法在处理约束条件下优化问题时，能够提高计算效率和稳定性，使风险预算模型具备实际操作性。

关键信息

1. 组合优化方式对比

2. 风险预算优化效果

• 中证500指数增强：

  • 信息比率从1.54提升至1.80
  • 最大回撤从7.7%降至6.4%
  • 换手率从48.5%降至41.0%
  • 分散比率均值由1.64升至1.68

• 沪深300指数增强：

  • 信息比率从1.49提升至1.61
  • 最大回撤从4.4%降至3.6%
  • 换手率从37.4%降至33.0%
  • 分散比率均值由1.65升至1.68

3. 风险预算模型的实现方式

• 借鉴资产配置中的风险预算模型，将风险贡献与风险预算匹配。
• 使用CCD和ADMM算法解决有约束的优化问题，提高计算效率和稳定性。
• 风险预算优化问题通过拉格朗日乘子法转化为无约束优化问题。

4. 风格因子构造方式

• 风格因子分为9大类：规模、Beta、动量、波动、价值、流动性、盈利、成长、杠杆。
• 每个风格因子由多个细分因子组成，如Size（LNCAP）、Beta（CAPM模型）、Momentum（RSTR）、Volatility（DASTD + CMRA + HSIGMA）、Value（BOTP）、Liquidity（STOM + STOQ + STOA）等。
• 风格因子构造基于Barra的模型，采用指数加权滚动回归等方法。

5. 优化算法说明

• 循环坐标下降算法（CCD）：每次仅更新一个坐标方向，计算效率较高，但需配合ADMM以保证收敛性。
• 交替方向乘子算法（ADMM）：将优化问题拆分为子问题，通过迭代求解，适用于有约束的组合优化问题。
• 风险预算优化问题转换：通过引入拉格朗日乘子，将风险预算问题转化为无约束优化问题，便于算法求解。

风险提示

• 所有结果均基于历史数据与模型，模型可能存在失效风险。
• 历史数据无法保证未来重复验证，需谨慎对待模型输出。

结论

本报告推荐使用风险预算优化方法，结合CCD与ADMM算法，在约束条件下构建更稳定、分散度更高、风险控制更优的指数增强组合。该方法在信息比率、最大回撤、换手率和分散度等方面均优于线性优化和风险平价优化，具有更高的实际应用价值。