20181111-华泰证券-人工智能选股周报_今年Stacking超额收益为8.87__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11日人工智能选股周报，总结了多类机器学习模型在不同股票池中的表现，包括全A选股和指数内选股。报告指出，人工智能模型在多因子选股中的应用旨在挖掘非线性特征，提升超额收益。报告还提供了各模型在不同时间周期内的表现数据及回测绩效指标。

主要观点

模型表现：在本周和最近一个月的回测中，朴素贝叶斯模型在多个股票池中表现最佳，尤其是在全A选股和中证500指数内选股中。
超额收益：2018年以来，Stacking模型在全A选股中超额收益最高，为8.87%；朴素贝叶斯模型在中证500指数内选股中超额收益最高，为6.98%。
RankIC均值：2018年以来，逻辑回归模型在全A选股中RankIC均值最高（0.107）；朴素贝叶斯模型在中证500指数内选股中RankIC均值最高（0.101）。
回测绩效：各模型的回测绩效指标如年化收益率、年化波动率、夏普比率、最大回撤、信息比率等被详细列出。例如，XGBoost在全A选股（中证500行业市值中性）中年化收益率最高（16.11%）。
股票池处理：所有模型在回测中使用相同的股票池处理规则，包括剔除ST、停牌、上市3个月以内的股票，使用70个因子作为特征，并进行中位数去极值、缺失值填充、行业市值中性化和标准化处理。
调仓频率：所有模型均为月频调仓。
交易费用：单边交易费用为千分之二。

关键信息

各模型本周表现

模型名称	全A选股（沪深300）	全A选股（中证500）	沪深300成分内选股	中证500成分内选股	中证800成分内选股
朴素贝叶斯	超额收益0.38%	超额收益0.44%	超额收益0.52%	超额收益0.91%	超额收益0.45%
其他模型	跑赢基准	跑赢基准	跑赢基准	跑赢基准	跑赢基准

各模型最近一个月表现

模型名称	全A选股（沪深300）	全A选股（中证500）	沪深300成分内选股	中证500成分内选股	中证800成分内选股
朴素贝叶斯	超额收益2.44%	超额收益1.30%	超额收益1.51%	超额收益4.11%	超额收益1.30%
其他模型	跑赢基准	跑赢基准	跑赢基准	跑赢基准	跑赢基准

各模型2018年以来表现

模型名称	全A选股	沪深300成分内选股	中证500成分内选股	中证800成分内选股
超额收益最高	Stacking（8.87%）	SVM（4.94%）	朴素贝叶斯（6.98%）	朴素贝叶斯（6.98%）
RankIC均值最高	逻辑回归（0.107）	随机森林（0.095）	朴素贝叶斯（0.101）	朴素贝叶斯（0.092）

各模型2011年以来表现

模型名称	全A选股	沪深300成分内选股	中证500成分内选股	中证800成分内选股
超额收益最高	XGBoost（16.11%）	随机森林（7.07%）	XGBoost（16.11%）	XGBoost（10.25%）
RankIC均值最高	逻辑回归（0.122）	SVM（0.09）	XGBoost（0.105）	SVM（0.105）

机器学习模型流程

数据获取：从沪深300、中证500和全A股中获取股票池，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、动量反转、波动率、情绪、技术等。
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
训练集和交叉验证集划分：分类问题中，选取下月收益排名前30%作为正例，后30%作为负例；按90%和10%比例划分训练集和交叉验证集。
模型训练与调参：使用交叉验证集的AUC或平均AUC选取最优参数。
样本外测试：使用最优参数进行预测，构建组合选股。

风险提示

人工智能模型构建的选股策略是历史经验的总结，存在失效的可能。
模型可解释性较低，使用需谨慎。

免责声明

本报告仅供华泰证券客户使用。
报告基于公开信息编制，不保证准确性。
报告内容仅供参考，不构成投资建议。
报告所含信息可能在不发出通知的情况下修改，投资者需自行关注更新。

模型详细指标

2011年以来RankIC指标

模型名称	全A选股	沪深300成分内选股	中证500成分内选股	中证800成分内选股
RankIC均值	逻辑回归（0.122）	SVM（0.09）	XGBoost（0.105）	SVM（0.105）
IR比率	逻辑回归（1.842）	SVM（0.911）	XGBoost（1.176）	SVM（1.256）

2018年以来RankIC指标

模型名称	全A选股	沪深300成分内选股	中证500成分内选股	中证800成分内选股
RankIC均值	逻辑回归（0.107）	随机森林（0.095）	朴素贝叶斯（0.101）	朴素贝叶斯（0.092）
IR比率	逻辑回归（1.581）	随机森林（1.063）	朴素贝叶斯（0.899）	朴素贝叶斯（0.766）

模型因子池

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的个数，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
股东	holder_avgpctchange	户均持股比例的同比增长率
技术	MACD	经典技术指标（释义可参考百度百科），长周期取30日，短周期取10日，计算DEA均线的周期（中周期）取15日
技术	DEA	取10日，计算DEA均线的周期（中周期）取15日
技术	DIF	经典技术指标，周期取20日
技术	RSI	经典技术指标，周期取20日
技术	PSY	经典技术指标，周期取20日
技术	BIAS	经典技术指标，周期取20日

模型评级体系

行业评级：
- 增持：行业股票指数超越基准
- 中性：行业股票指数基本与基准持平
- 减持：行业股票指数明显弱于基准
公司评级：
- 买入：股价超越基准20%以上
- 增持：股价超越基准5%-20%
- 中性：股价相对基准波动在-5%~5%之间
- 减持：股价弱于基准5%-20%
- 卖出：股价弱于基准20%以上