金工深度研究：人工智能51，文本PEAD选股策略-20220107-华泰证券-30页_1mb

人工智能51：文本PEAD选股策略总结

核心内容

本文提出了一种基于文本数据的SUE.txt因子，用于捕捉盈余公告后的价格漂移效应（PEAD），并以此构建选股策略。与传统的SUE因子相比，SUE.txt因子通过分析业绩预告及分析师研报文本中的语义信息，挖掘潜在的alpha信息，实现对股票未来表现的预测。

主要观点

1. PEAD效应的定义与传统方法
   PEAD效应是指在盈余公告发布后，股价有较大概率向业绩预期方向漂移。传统SUE因子基于财务数据计算，而本文通过文本数据构建SUE.txt因子，以挖掘隐藏的语义信息。

2. 文本SUE.txt因子构建方法
   SUE.txt因子基于业绩预告与分析师研报文本的词频矩阵构建，利用机器学习模型（如Logistic回归和XGBoost）对文本进行分类预测，并通过log-odds值之差计算因子值。模型使用滚动训练方式，以保证数据的时效性和模型的稳定性。

3. 模型优化与可解释性
   XGBoost模型在预测能力和分层效果上优于Logistic模型。模型的可解释性分析表明，某些关键词如“上调”、“预增”等对SUE.txt因子具有正面影响，而“下调”、“下滑”等则具有负面影响，符合投资者的直观判断。

4. 因子增强与回测表现
   基于SUE.txt因子构建的股票池通过引入华泰金工因子库进行增强，显著提升了回测表现。增强后的股票池在20130104-20211231期间年化收益为43.47%，相对中证500的年化超额收益为29.98%，且在2021年的表现尤为突出，年化收益达52.79%。

关键信息

数据来源与处理

• 业绩预告数据：来自万得的AShareProfitNotice，包含发布时间、预告财报期、预期净利润增速上下限等。
• 分析师研报数据：来自朝阳永续的DER_REPORT_RESEARCH数据库，涵盖研报标题、摘要、发布时间等。
• 文本处理：使用Jieba分词，保留普通名词、专有名词、动词等词性，构建词频矩阵。对样本内文本保留出现频率最高的100个词（标题）和500个词（摘要），避免使用未来信息。

模型训练与测试

• 标签定义：根据业绩预告发布后2日的相对中证500超额收益，将其分为“上涨”、“震荡”、“下跌”三类。
• 模型选择：采用Logistic回归和XGBoost模型，使用弹性网络正则化和网格搜索选择最优超参数。
• 因子计算：基于模型预测结果计算log-odds值之差，并通过指数衰减调整因子值，以反映业绩预告发布日与因子计算时间的远近。

回测结果

• SUE.txt因子表现：每月末对股票池进行分5层回测，XGBoost模型表现优于Logistic模型，第一层年化收益分别为27.62%与24.68%。
• 与2日AR因子对比：SUE.txt因子在盈利能力和分层能力上均显著优于2日AR因子，显示其具有更高的预测能力。

模型可解释性

• 关键词重要性：分析发现“上调”、“预增”、“景气”等词对SUE.txt因子有正向影响，而“下调”、“下滑”、“亏损”等词有负向影响。
• 段落重要性分析：将文本按关键词分类为财报、运营、宏观环境和战略四大类，并进一步划分为13个二级分类，发现运营类文本对结果影响最大，且多为负面，宏观环境文本虽占比最低，但对结果有显著正向影响。

股票池增强

• 增强策略：选取SUE.txt因子第一层股票作为基础池，引入华泰金工因子库中表现良好的因子进行等权合成打分，最终选出30只股票作为增强池。
• 增强池表现：增强池在回测期内的年化收益为43.47%，夏普比率为1.57，超额收益显著。

风险提示

• 模型失效风险：基于机器学习构建的选股策略依赖历史数据，存在失效的可能。
• 模型可解释性低：虽然关键词分析与逻辑相符，但整体模型仍具有一定的黑箱特性，使用需谨慎。

结构与方法总结

• 数据预处理：匹配业绩预告与研报文本，进行分词和词频统计。
• 模型训练：使用滚动训练方式，对样本内数据进行K折交叉验证，寻找最优参数。
• 因子构建：通过log-odds值之差计算SUE.txt因子，并进行指数衰减处理。
• 回测框架：按因子值对股票分层，构建投资组合，进行分层回测。
• 增强策略：利用华泰金工因子库对SUE.txt因子进行增强，提升选股效果。

总结

本文通过文本分析挖掘PEAD效应，构建了SUE.txt因子，并结合机器学习模型（XGBoost优于Logistic）进行优化。该因子在回测中表现优异，能够有效提升选股收益，同时通过关键词和段落重要性分析，增强了模型的可解释性。最终通过华泰金工因子库对SUE.txt股票池进行增强，进一步提升了投资组合的绩效。