20180722-华泰证券-人工智能选股周报_本周随机森林表现最好_13页_1mb

报告摘要

金工研究/量化投资周报总结

核心内容概述

本报告是华泰证券金工团队发布的人工智能选股周报，内容涵盖多个机器学习模型在不同指数池中的表现，包括全A选股、沪深300指数内选股、中证500指数内选股、中证800指数内选股。报告分析了模型在本周、最近一个月、2018年以来以及2011年以来的表现，包括超额收益、RankIC值、回测绩效等指标。

主要观点

1. 模型表现

本周表现：
- 沪深300指数内选股：随机森林表现最好，超额收益为1.16%。
- 全A选股（沪深300行业市值中性）：随机森林表现最好，超额收益为0.14%。
- 全A选股（中证500行业市值中性）：朴素贝叶斯表现最好，超额收益为1.02%。
- 中证500指数内选股：朴素贝叶斯表现最好，超额收益为0.50%。
- 中证800指数内选股：随机森林表现最好，超额收益为1.16%。
最近一个月表现：
- 沪深300指数内选股：XGBoost表现最好，超额收益为1.33%。
- 全A选股（沪深300行业市值中性）：Stacking表现最好，超额收益为2.34%。
- 全A选股（中证500行业市值中性）：Stacking表现最好，超额收益为11.37%。
- 中证500指数内选股：XGBoost表现最好，超额收益为1.94%。
- 中证800指数内选股：XGBoost表现最好，超额收益为1.94%。
2018年以来表现：
- 全A选股（沪深300行业市值中性）：Stacking表现最好，超额收益为5.07%。
- 全A选股（中证500行业市值中性）：朴素贝叶斯表现最好，超额收益为3.19%。
- 沪深300指数内选股：随机森林表现最好，超额收益为4.94%。
- 中证500指数内选股：朴素贝叶斯表现最好，超额收益为3.19%。
- 中证800指数内选股：随机森林表现最好，超额收益为4.94%。

2. RankIC表现

2018年以来RankIC均值：
- 全A选股：Stacking最高，为0.118。
- 沪深300指数内选股：随机森林最高，为0.111。
- 中证500指数内选股：逻辑回归最高，为0.081。
- 中证800指数内选股：SVM最高，为0.088。
2011年以来RankIC均值：
- 全A选股：逻辑回归最高，为0.122。
- 沪深300指数内选股：SVM最高，为0.091。
- 中证500指数内选股：XGBoost最高，为0.09。
- 中证800指数内选股：SVM最高，为0.094。

3. 回测绩效

2011年以来全A选股（沪深300行业市值中性）：
- Stacking：年化收益率6.88%，夏普比率0.29，年化超额收益率5.30%。
- SVM：年化收益率8.49%，夏普比率0.37，年化超额收益率6.82%。
- XGBoost：年化收益率8.09%，夏普比率0.35，年化超额收益率6.45%。
- 随机森林：年化收益率8.06%，夏普比率0.35，年化超额收益率6.35%。
- 神经网络：年化收益率8.20%，夏普比率0.36，年化超额收益率6.43%。
2011年以来全A选股（中证500行业市值中性）：
- Stacking：年化收益率18.60%，夏普比率0.70，年化超额收益率16.63%。
- XGBoost：年化收益率18.13%，夏普比率0.71，年化超额收益率15.87%。
- 随机森林：年化收益率18.02%，夏普比率0.73，年化超额收益率15.51%。
- SVM：年化收益率17.49%，夏普比率0.67，年化超额收益率15.44%。
- 逻辑回归：年化收益率14.20%，夏普比率0.54，年化超额收益率12.20%。
2011年以来沪深300指数内选股：
- XGBoost：年化收益率8.33%，夏普比率0.37，年化超额收益率6.55%。
- 逻辑回归：年化收益率8.83%，夏普比率0.39，年化超额收益率7.09%。
- SVM：年化收益率6.72%，夏普比率0.30，年化超额收益率4.98%。
- 随机森林：年化收益率7.41%，夏普比率0.33，年化超额收益率5.66%。
- 朴素贝叶斯：年化收益率7.87%，夏普比率0.35，年化超额收益率6.08%。
2011年以来中证500指数内选股：
- XGBoost：年化收益率10.01%，夏普比率0.37，年化超额收益率8.40%。
- 逻辑回归：年化收益率11.55%，夏普比率0.42，年化超额收益率10.01%。
- 朴素贝叶斯：年化收益率9.53%，夏普比率0.36，年化超额收益率7.67%。
- SVM：年化收益率6.60%，夏普比率0.24，年化超额收益率5.06%。
- 随机森林：年化收益率8.52%，夏普比率0.31，年化超额收益率6.95%。
2011年以来中证800指数内选股：
- XGBoost：年化收益率11.43%，夏普比率0.50，年化超额收益率9.67%。
- 逻辑回归：年化收益率9.15%，夏普比率0.39，年化超额收益率7.45%。
- 随机森林：年化收益率9.27%，夏普比率0.40，年化超额收益率7.51%。
- SVM：年化收益率7.65%，夏普比率0.33，年化超额收益率5.97%。
- 朴素贝叶斯：年化收益率7.83%，夏普比率0.34，年化超额收益率6.10%。

4. 模型使用与回测条件

跟踪模型：Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归、神经网络。
回测方法：使用月频调仓，基于行业中性+市值中性的组合构建方式。
数据处理：
- 剔除ST、停牌、上市3个月内的股票。
- 使用70个因子作为特征，包括估值、成长、动量翻转、波动率、换手率、情绪、技术、市值等。
- 对原始因子进行中位数去极值、缺失值填充（行业平均）、行业市值中性化、标准化处理。
交易费用：单边千分之二。

5. 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。
模型可解释性较低，使用需谨慎。

关键信息

模型选择：Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归、神经网络。
指数池：沪深300、中证500、中证800、全A股。
回测周期：2011年以来、2018年以来、最近一个月、本周。
绩效指标：年化收益率、年化波动率、夏普比率、最大回撤、年化超额收益率、信息比率、Calmar比率、月胜率、换手率等。
RankIC指标：衡量模型预测能力的指标，2018年以来RankIC均值最高的为Stacking（全A选股），2011年以来RankIC均值最高的为逻辑回归（全A选股）。

模型与因子说明

1. 因子分类

估值：EP、EPcut、BP、SP、NCFP、OCFP、DP、G/PE
成长：Sales_G_q、Profit_G_q、OCF_G_q、ROE_G_q
财务质量：ROE_q、ROE_ttm、ROA_q、ROA_ttm、grossprofitmargin_q、grossprofitmargin_ttm、profitmargin_q、profitmargin_ttm、assetturnover_q、assetturnover_ttm、operationcashflowratio_q、operationcashflowratio_ttm
杠杆：financial_leverage、debtequity_ratio、cash_ratio、current_ratio
市值：ln_capital
动量反转：HAlpha、return_Nm、wgt_return_Nm、exp_wgt_return_Nm
波动率：std_FF3factor_Nm、std_Nm
股价：ln_price
beta：beta
换手率：turn_Nm、bias_turn_Nm
情绪：rating_average、rating_change、rating_targetprice
股东：holder_avgpctchange
技术：MACD、DEA、DIF、RSI、PSY、BIAS

2. 模型分类

Stacking：集成学习模型，目前仅应用于全A选股。
SVM：支持向量机模型，适用于各类指数池。
朴素贝叶斯：适用于各类指数池，表现较为稳定。
随机森林：表现较好，尤其在沪深300和中证800指数内选股中表现突出。
XGBoost：在多个指数池中表现优异，尤其在近期表现突出。
逻辑回归：在中证500指数内选股中表现较好，具有较高的信息比率。
神经网络：表现稳定，适用于各类指数池。

结论

本报告展示了多种机器学习模型在多因子选股中的表现，其中随机森林和XGBoost在多个指数池中表现较为突出，尤其在沪深300指数内选股和中证800指数内选股中表现最佳。Stacking在全A选股中表现优异，具有较高的超额收益和RankIC值。报告强调了模型的可解释性较低，提醒投资者使用时需谨慎。

展开完整摘要