20211125-国信证券-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_17页_1mb

个股研究报告总结

核心内容

本文介绍了一种基于学习排序算法的新方法，用于构建多空股票投资组合。作者提出了一种新的损失函数 ListFold，旨在通过 listwise 排序方式选择多空对，强调排名队列的头部和尾部同等重要。该方法具有 平移不变性 和 概率可解释性，并且在多个方面优于传统的排序损失函数（如ListMLE）和数值预测方法（如MLP）。

主要观点

• 多因子策略：多因子策略的核心在于识别和组合多个因子以预测收益。传统的做法是预测股票收益值，但本文提出基于排序的预测方法。
• 学习排序算法：学习排序算法在信息检索等领域已广泛应用，但在因子投资中尚未被充分重视。本文尝试将其引入多空策略中，以提高排序预测的准确性。
• ListFold 损失函数：该损失函数将头部和尾部视为同等重要，且在不同的转换函数下与二元分类损失或排列级别的0-1损失一致。其结构与ListMLE相似，但具有更强的鲁棒性和更合理的市场适应性。
• 实证表现：在2006-2019年的中国A股市场数据上，ListFold-exp 的表现显著优于其他模型，样本外年化收益率达到 38%，夏普比率为 2，并且在市场动荡环境下表现稳定。
• 排序指标评估：文章提出 NDCG@±k 作为对传统NDCG的改进，同时强调 IC指标 在评估alpha策略时比NDCG更合适。

关键信息

损失函数特性

• ListFold 是一种基于排序的损失函数，具有以下特点：
  • 平移不变性
  • 概率可解释性
  • 与二元分类损失和0-1损失函数一致

模型结构

• 使用 4层全连接神经网络，输入为 68个因子，输出为 股票评分函数。
• 模型采用 ListFold 作为损失函数，与 MLP、ListMLE、List2MLE 进行对比。

实证数据

• 数据集包含 3712只股票，时间跨度为 631周（约12年），时间范围从 2006-12-29 到 2019-04-19。
• 通过 滚动训练 和 小批量数据处理，模型表现稳定，且不依赖于未来信息。

组合表现

• 两种多空策略：
  1. 做多头部10%的股票，做空尾部10%的股票
  2. 做多头部10%的股票，做空所有股票的平均值
• ListFold-exp 在做空尾部10%的策略中表现最佳，年化收益率达 38%，夏普比率 2。
• 在做空平均值的策略中，ListFold-sgm 表现稳定，且优于其他方法。
• 交易成本：设定为 30个基点，无风险收益率为 3%。

损失函数比较

• ListFold-exp：优于 List2MLE，且在做空尾部10%的策略中收益最高。
• MLP：在做空尾部10%的策略中表现较差，净值仅为 ListFold-exp 的 2/3。
• ListMLE：在做空尾部10%的策略中表现不如 ListFold-exp。

鲁棒性测试

• 仓位截止参数 k：对不同 k 值的组合进行测试，发现 ListFold-exp 和 ListFold-sgm 对 k 具有较好的鲁棒性。
• 小批量训练：测试不同小批量尺寸对模型表现的影响，发现模型在非凸损失函数下仍具有一定的稳定性。

结论

• 本文提出了一种新的 ListFold 损失函数，可用于构建多空组合，并在实践中表现出色。
• 该模型在 中国A股市场 上取得了显著的收益，年化收益率达 38%，夏普比率为 2。
• ListFold 不仅是研究非顺序敏感损失函数的补充工具，还启发了统一 pairwise 和 listwise 排序损失函数的框架。
• IC指标 在评估alpha策略时比 NDCG 更适合。

风险提示

• 本报告基于学术文献，不构成投资建议。
• 投资者应结合自身风险偏好和投资目标进行决策，自行承担投资风险。

附录信息

• 文献来源：XIN ZHANG, LANWU and ZHIXUE CHEN, "Constructing long-short stock portfolio with a new listwise learn-to-rank algorithm (July, 2021)", Quantitative Finance。
• 关键词：Learn-to-rank, ListMLE, 多空组合, 因子策略, 机器学习, JEL 分类 G11, C45, C53。
• 分析师：张欣慰（电话：021-60933159，邮箱：zhangxinwei1@guosen.com.cn）
• 联系人：杨北锋（电话：021-60875136，邮箱：yangbeifeng@guosen.com.cn）

图表目录（关键指标）

• 图1：指数转换函数的ListFold的概率解释
• 图2：使用到的因子名称
• 图3：学习打分函数的神经网络
• 图4：不同损失函数的多空投资组合净值曲线（做空尾部10%的股票）
• 图5：不同损失函数的多空投资组合净值曲线（做空所有股票的平均值）
• 图6：两种策略结果统计
• 图7：多空截至参数k组合对热力图

表格数据（关键指标）

未来研究方向

• 深入研究 ListFold-exp 的一致性，以及不同变换函数对实际损失函数的影响。
• 探索将 ListFold 应用于其他因子数据集，或与 神经网络模块 结合，以进一步提升模型性能。
• 针对 做空成本，研究如何提高尾部排序的正确率，以优化投资组合收益。

分析师承诺

• 所有分析数据均来自合规渠道，结论基于分析师的职业判断，力求客观、公正，不受第三方影响。

个股投资咨询业务说明

• 本报告由国信证券股份有限公司发布，内容为证券投资咨询业务的一部分。
• 投资咨询业务是指为客户提供投资建议、分析等服务，直接或间接收取费用。

国信证券研究所地址

• 深圳：深圳市罗湖区红岭中路1012号国信个股大厦18层
• 上海：上海浦东民生路1199弄证大五道口广场1号楼12楼
• 北京：北京西城区金融大街兴盛街6号国信个股9层