20180127-华泰证券-人工智能选股周报_最近一个月朴素贝叶斯表现最好_17页_1mb

华泰人工智能选股策略周报总结

核心内容

本报告为华泰证券金工研究团队发布的人工智能选股周报，内容涵盖多个策略在不同市场指数下的表现，以及机器学习模型在多因子选股中的应用流程。

主要观点

• 人工智能选股策略表现：

  • 全A选股（非行业中性）：本周随机森林表现最佳，获得绝对收益2.51%，超额收益0.73%；最近三月和一年中，朴素贝叶斯表现最优，分别获得超额收益14.64%和23.47%。
  • 全A选股（沪深300行业中性）：本周XGBoost表现最佳，获得绝对收益2.15%，超额收益-0.09%；最近三月和一年中，朴素贝叶斯表现最优，分别获得超额收益-5.46%和-9.84%。
  • 全A选股（中证500行业中性）：本周XGBoost表现最佳，获得绝对收益2.73%，超额收益0.96%；最近三月和一年中，XGBoost表现最优，分别获得超额收益-2.90%和-6.70%。
  • 沪深300指数内选股：本周SVM表现最佳，获得绝对收益3.36%，超额收益1.12%；最近三月和一年中，朴素贝叶斯表现最优，分别获得超额收益-1.89%和4.26%。
  • 中证500指数内选股：本周朴素贝叶斯表现最佳，获得绝对收益2.39%，超额收益0.62%；最近三月和一年中，SVM表现最优，分别获得超额收益0.97%和4.38%。

• 模型表现：

  • 朴素贝叶斯在多个时间段内表现突出，尤其在全A选股（非行业中性）策略中，最近一年超额收益达到23.47%。
  • XGBoost在全A选股（中证500行业中性）和中证500指数内选股策略中表现最佳，最近一年信息比率分别为3.03和1.70。
  • 逻辑回归在沪深300指数内选股策略中获得最高的信息比率1.01。

• 策略构建：

  • 本报告跟踪了6种机器学习模型（SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归、神经网络）在不同市场指数下的选股表现。
  • 神经网络未用于沪深300和中证500指数内选股，因其需要大量因子数据进行训练。

关键信息

• 回测条件统一：

  • 股票池处理：剔除ST、停牌、上市3个月以内的股票。
  • 特征提取：使用70个因子（包括估值、成长、动量翻转、波动率、换手率、情绪、技术、市值等）。
  • 缺失值填充：使用行业平均值填充缺失数据。
  • 行业市值中性化：通过线性回归对行业哑变量和市值进行中性化处理。
  • 标准化：对因子暴露度进行标准化处理。

• 模型训练与评估：

  • 每月末截面期，选取下月收益排名前30%的股票作为正例，后30%的股票作为负例。
  • 训练集和交叉验证集按90%和10%的比例划分。
  • 交叉验证调参：选取交叉验证集AUC（或平均AUC）最高的参数作为最优参数。
  • 样本外测试：使用最优参数对样本外数据进行预测，构建组合选股。

• 因子池：

  • 包含70个因子，涵盖估值、成长、财务质量、杠杆、市值、动量反转、波动率、股价、换手率、情绪等多个方面。
  • 每个因子均有详细的定义和计算方式。

• 风险提示：

  • 通过人工智能模型构建选股策略是历史经验的总结，存在失效的可能。

策略表现总结

信息比率与绩效指标

附注

• 风险提示：人工智能模型构建的选股策略基于历史数据，存在失效风险。
• 免责申明：本报告仅供华泰证券客户使用，不构成买卖建议，投资者需自行判断。
• 联系方式：如需当前持仓信息，请联系liziyu@htsc.com。