20230928-华创证券-_专题报告_基于价量数据的排序学习选股模型_23页_1mb

排序学习选股模型分析与总结

一、研究背景

排序学习（Learning to Rank, LTR）是一种监督学习方法，通过机器学习算法训练大量特征，构建排序模型以解决实际中的排序问题。该方法在文档检索、推荐系统等场景中有广泛应用。

二、模型设计

1. 数据准备

   • 选取沪深300、中证500、中证1000历史成份股，构建1800只股票的股票池，时间范围为2014年11月至2023年8月底。
   • 特征选择：价量数据（大单、中单、小单流入流出）+一致预期数据。

2. 特征工程

   • 使用算子对价量数据进行滚动求和、分位数计算、特征差分等处理。
   • 添加一致预期数据的滚动差分特征，涵盖营业收入、市盈率等指标。

3. 排序模型

   • 采用LGBMRanker模型，基于LambdaMart算法，优化排序学习损失函数。
   • 使用NDCG指标评估排序效果，通过梯度下降优化模型参数。

三、回测结果

• 累计收益：回测期（2015/09-2023/08）累计绝对收益率16731%，超额收益率16016%。
• 收益指标：年化收益率1328%，超额年化1240%，夏普比率0.48，最大回撤34.58%。
• 胜率对比：
  • 月度胜率：vs等权基准65.96%，vs沪深300 58.51%，vs中证1000 67.02%。
  • 年度胜率：vs中证500、中证1000达100%。
• 2023年表现：年初至8月底累计绝对收益率1810%，超额收益率1314%。

四、行业与市值分布策略

• 行业偏好：近期信号偏向防御类板块，包括银行、建筑、房地产等。
• 市值分布：策略偏向小盘股，持仓集中在200亿以下市值的中小公司。

五、风险提示

• 所有统计结果基于历史数据，无法预测未来市场表现。
• 模型可能存在过拟合风险，需持续优化并保持市场时效性。

六、投资逻辑

通过排序学习模型对股票进行多期相对评级，基于价量数据构建选股策略，对表现优于基准的股票进行轮动配置，实现显著超额收益。

注 上述总结已依据用户要求删除所有表情及markdown标记。