20180331-华泰证券-人工智能选股周报_本周SVM表现最好_17页_1mb

报告摘要

金工研究/量化投资周报总结

核心内容概述

本报告为华泰证券金工团队发布的《人工智能选股周报20180331》，主要分析了多种人工智能模型在多因子选股中的表现，涵盖不同市场指数（沪深300、中证500、全A股）下的策略效果，并对模型构建与回测条件进行了说明。

主要观点

1. 策略表现

全A选股（非行业中性）：
- 本周表现最好的策略是朴素贝叶斯，获得绝对收益6.08%，超额收益0.42%。
- 最近三月表现最好的策略是随机森林，超额收益7.51%。
- 最近一年表现最好的策略是朴素贝叶斯，超额收益17.94%。
全A选股（沪深300行业中性）：
- 本周表现最好的策略是SVM，超额收益3.76%。
- 最近三月表现最好的策略是XGBoost，超额收益3.14%。
- 最近一年表现最好的策略是朴素贝叶斯，超额收益-7.02%。
全A选股（中证500行业中性）：
- 本周表现最好的策略是SVM，超额收益-0.16%。
- 最近三月表现最好的策略是随机森林，超额收益5.36%。
- 最近一年表现最好的策略是XGBoost，超额收益6.91%。
沪深300指数内选股：
- 本周表现最好的策略是XGBoost，超额收益1.51%。
- 最近三月表现最好的策略是逻辑回归，超额收益3.13%。
- 最近一年表现最好的策略是朴素贝叶斯，超额收益4.08%。
中证500指数内选股：
- 本周表现最好的策略是SVM，超额收益0.08%。
- 最近三月表现最好的策略是XGBoost，超额收益0.95%。
- 最近一年表现最好的策略是SVM，超额收益4.40%。

2. 模型表现与信息比率

信息比率是衡量策略表现的重要指标：
- 在**全A选股（非行业中性）**中，XGBoost信息比率最高（2.77）。
- 在**全A选股（沪深300行业中性）**中，XGBoost信息比率最高（1.55）。
- 在**全A选股（中证500行业中性）**中，XGBoost信息比率最高（3.03）。
- 在沪深300指数内选股中，逻辑回归信息比率最高（1.11）。
- 在中证500指数内选股中，逻辑回归信息比率最高（1.65）。

3. 回测条件

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、动量反转、波动率、换手率、情绪、技术、市值等）。
特征预处理：
- 中位数去极值。
- 缺失值填充为行业平均值。
- 行业市值中性化处理。
- 标准化处理。
交易费用：单边千分之二。

4. 策略构建方式

每种模型构建了5种选股策略，包括：
- 全A选股（非行业中性）：选择50只预测最好的股票进行等权配置。
- 全A选股（沪深300行业中性）：每个行业内选择4只预测最好的股票进行等权配置。
- 全A选股（中证500行业中性）：每个行业内选择4只预测最好的股票进行等权配置。
- 沪深300指数内选股：每个行业内选择2只预测最好的股票进行等权配置。
- 中证500指数内选股：每个行业内选择4只预测最好的股票进行等权配置。

5. 模型应用

使用了SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归、神经网络等模型。
神经网络未应用于沪深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

1. 因子池与特征处理

因子池包括70个因子，涵盖估值、成长、动量反转、波动率、换手率、情绪、技术、市值等。
特征处理包括中位数去极值、缺失值填充、行业市值中性化、标准化等步骤。

2. 训练与测试流程

训练集与测试集划分：按90%与10%的比例进行划分。
模型调参：使用交叉验证集的AUC或平均AUC选取最优参数。
模型预测：使用最优参数对样本外数据进行预测，构建组合。

3. 风险提示

人工智能模型构建的选股策略是基于历史经验，存在失效的可能。
投资者需自行判断，本报告不构成投资建议。

总结

本报告全面展示了华泰证券金工团队在人工智能选股方面的研究成果，涵盖了多种模型在不同市场环境下的表现。通过详细的策略构建与回测条件，报告为投资者提供了基于机器学习算法的多因子选股策略参考。尽管部分模型在短期表现优异，但长期表现需结合市场变化进行评估。投资者应谨慎对待模型预测，注意市场风险，并自行判断投资决策。

展开完整摘要