20181125-华泰证券-人工智能选股周报_今年Stacking超额收益为10.39__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

本报告为华泰证券金工团队发布的2018年11月25日人工智能选股周报，重点分析了7种机器学习模型（Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归、神经网络）在不同股票池（全A股、沪深300、中证500、中证800）中的表现。报告提供了模型在本周、最近一个月以及2018年以来的超额收益和RankIC均值等关键指标，并给出了详细的回测绩效和因子池信息。

主要观点

模型表现：各模型在不同股票池中表现差异显著，部分模型在特定池中表现优于其他池。
超额收益：Stacking模型在中证500指数内选股中表现最好，2018年以来超额收益为10.39%。逻辑回归在沪深300和中证800指数内选股中表现优异。
RankIC均值：2018年以来，逻辑回归在全A选股中RankIC均值最高（0.107），朴素贝叶斯在中证500成分内选股中RankIC均值最高（0.101）。
回测绩效：各模型在2011年以来的回测中，表现出不同的年化收益率、波动率和夏普比率，其中XGBoost在中证500成分内选股中表现最优，年化收益率为16.66%。
因子池：模型使用70个因子进行选股，涵盖估值、成长、财务质量、杠杆、市值、动量翻转、波动率、股价、换手率、情绪等多个维度。

关键信息

各模型本周超额收益表现

模型名称	沪深300	中证500	中证800
Stacking	0.27%	1.75%	0.52%
朴素贝叶斯	0.29%	3.18%	1.20%
随机森林	0.35%	0.35%	0.69%
XGBoost	0.34%	0.35%	0.60%
逻辑回归	0.27%	0.64%	0.52%
神经网络	0.30%	0.63%	0.60%

各模型最近一个月超额收益表现

模型名称	沪深300	中证500	中证800
朴素贝叶斯	0.69%	3.18%	1.20%
SVM	0.35%	1.78%	0.99%
随机森林	0.35%	0.35%	0.69%
XGBoost	0.30%	0.35%	0.60%
逻辑回归	0.64%	1.78%	0.60%
神经网络	0.63%	1.78%	0.60%

各模型2018年以来超额收益表现

模型名称	沪深300	中证500	中证800
Stacking	5.44%	10.39%	8.34%
朴素贝叶斯	7.03%	7.03%	7.03%
随机森林	4.95%	5.44%	8.34%
XGBoost	5.44%	5.44%	7.03%
逻辑回归	5.44%	5.44%	5.44%
神经网络	5.44%	5.44%	5.44%

各模型2018年以来RankIC均值

模型名称	全A选股	沪深300	中证500	中证800
逻辑回归	0.107	0.095	0.101	0.092
随机森林	0.096	0.095	0.071	0.062
SVM	0.084	0.077	0.064	0.073
朴素贝叶斯	0.106	0.090	0.101	0.092
XGBoost	0.098	0.066	0.064	0.062
神经网络	0.101	0.069	0.047	0.077

各模型2011年以来RankIC均值

模型名称	全A选股	沪深300	中证500	中证800
逻辑回归	0.122	0.093	0.100	0.106
随机森林	0.134	0.090	0.085	0.103
SVM	0.119	0.090	0.075	0.092
朴素贝叶斯	0.115	0.104	0.096	0.103
XGBoost	0.140	0.099	0.090	0.105
神经网络	0.127	0.099	0.087	0.099

模型构建与回测条件

股票池处理：剔除ST、停牌、上市3个月内的股票。
特征提取：使用70个因子，包括估值、成长、财务质量、杠杆、市值、动量翻转、波动率、股价、换手率、情绪等。
特征预处理：
- 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。
回测方法：
- 分类问题：正例（收益前30%）与负例（收益后30%）
- 训练集与交叉验证集比例：90%与10%
- 参数选择：以交叉验证集AUC或平均AUC最高为标准。

风险提示

人工智能模型构建的选股策略基于历史经验，存在失效风险。
模型可解释性较低，使用需谨慎。

模型运用流程

数据获取：股票池包括沪深300、中证500、全A股。
特征与标签提取：使用70个因子暴露度作为特征，计算下一自然月个股超额收益作为标签。
特征预处理：包括中位数去极值、缺失值填充、行业市值中性化、标准化。
训练与调参：样本内训练模型，交叉验证集调参。
样本外测试：使用最优参数构建组合选股。

因子池详细信息

大类因子	具体因子	因子描述
估值	EP	净利润（TTM）/总市值
估值	EPcut	扣除非经常性损益后净利润（TTM）/总市值
估值	BP	净资产/总市值
估值	SP	营业收入（TTM）/总市值
估值	NCFP	净现金流（TTM）/总市值
估值	OCFP	经营性现金流（TTM）/总市值
估值	DP	近12个月现金红利（按除息日计）/总市值
估值	G/PE	净利润（TTM）同比增长率/PE_TTM
成长	Sales_G_q	营业收入（最新财报，YTD）同比增长率
成长	Profit_G_q	净利润（最新财报，YTD）同比增长率
成长	OCF_G_q	经营性现金流（最新财报，YTD）同比增长率
成长	ROE_G_q	ROE（最新财报，YTD）同比增长率
财务质量	ROE_q	ROE（最新财报，YTD）
财务质量	ROE_ttm	ROE（最新财报，TTM）
财务质量	ROA_q	ROA（最新财报，YTD）
财务质量	ROA_ttm	ROA（最新财报，TTM）
财务质量	grossprofitmargin_q	毛利率（最新财报，YTD）
财务质量	grossprofitmargin_ttm	毛利率（最新财报，TTM）
财务质量	profitmargin_q	扣除非经常性损益后净利润率（最新财报，YTD）
财务质量	profitmargin_ttm	扣除非经常性损益后净利润率（最新财报，TTM）
财务质量	assetturnover_q	资产周转率（最新财报，YTD）
财务质量	assetturnover_ttm	资产周转率（最新财报，TTM）
财务质量	operationcashflowratio_q	经营性现金流/净利润（最新财报，YTD）
财务质量	operationcashflowratio_ttm	经营性现金流/净利润（最新财报，TTM）
杠杆	financial_leverage	总资产/净资产
杠杆	debt equity ratio	非流动负债/净资产
杠杆	cash ratio	现金比率
杠杆	current ratio	流动比率
市值	ln_capital	总市值取对数
动量反转	HAlpha	个股60个月收益与上证综指回归的截距项
动量反转	return_Nm	个股最近N个月内收益率，N=1，3，6，12
动量反转	wgt_return_Nm	个股最近N个月内用每日换手率乘以每日收益率求算术平均值，N=1，3，6，12
动量反转	exp_wgt_return_Nm	个股最近N个月内用每日换手率乘以函数exp(-x_i/N/4)再乘以每日收益率求算术平均值，x_i为该日距离截面日的交易日个数，N=1，3，6，12
波动率	std_FF3factor_Nm	特质波动率——个股最近N个月内用日频收益率对Fama French三因子回归的残差的标准差，N=1，3，6，12
波动率	std_Nm	个股最近N个月的日收益率序列标准差，N=1，3，6，12
股价	ln_price	股价取对数
beta	beta	个股60个月收益与上证综指回归的beta
换手率	turn_Nm	个股最近N个月内日均换手率（剔除停牌、涨跌停的交易日），N=1，3，6，12
换手率	bias_turn_Nm	个股最近N个月内日均换手率除以最近2年内日均换手率（剔除停牌、涨跌停的交易日）再减去1，N=1，3，6，12
情绪	rating_average	wind评级的平均值
情绪	rating_change	wind评级（上调家数-下调家数）/总数
情绪	rating_targetprice	wind一致目标价/现价-1