当线性模型遇见机器学习深度调研和分析报告20191008.pdfVIP

定 量 研 证券研究报告 究 ＃title ＃ 当线性模型遇见机器学习 assAuthor 专 题 ＃createTime1 ＃ 2019 年09 月17 日 报 投资要点 告 报告关键点 ＃summary ＃  多因子选股体系中不可规避的一个问题是因子选择，该领域的学术以及商 多因子选股体系中不可规避的 业研究相对较少。作为机器学习系列二研究，我们通过引入机器学习中的 一个问题是因子的选择，该领域 的学术以及商业研究相对较少。 特征选择方法，运用FilterWrapper 构建因子选择体系，进一步构建线性 作为机器学习系列二研究，我们 和非线性融合的动态选股因子，该因子选股能力斐然。 通过引入机器学习中的特征选 择方法，运用 FilterWrapper  针对于选择的因子通过线性回归的方式构建动态选股因子DLS ：因子IC 、 构建因子选择体系，并构建线性 和非线性融合的动态选股因子， ICIR 、T 值分别为0.106、1.50、16.06，而基准（选择过去5 年ICIR 最优 选股能力斐然。因子IC、ICIR、 因子等权合成）则分别为0.061、1.16、12.48；分位数测试来看，DLS 因 T 值分别为0.106、1.50、16.06， 且因子在各组别中的单调性和 子多空年化收益、夏普率分别达到 43.0%、4.99 ，同期基准达到24.3%， 稳定性要优于基准的表现。 3.48，且DLS 因子在各组别中的单调性和稳定性要优于基准的表现。  为了更好的利用非线性选股信息，我们将机器学习系列一构建的集成学习 ＃relatedReport ＃ 因子引入到线性回归中（相当于在FilterWrapper 选择的因子基础上添加 相关报告 集成学习因子），构建线性和非线性叠加的A-DLS 因子。A-DLS 因子IC 达到0.13、ICIR 为2.07 ，多空组合年化收益69%、夏普率6.55，整体表 现优于集成学习因子。  基于A-DLS 因子构建主动量化以及增强选股策略，各策略表现优异。其 团队成员： 中主动量化策略年化超额收益26.9%、夏普率4.61 ；针对于沪深300 和中 证500 采用线性优化的方式构建指数增强策略，以针对于中证500 构建的 全市场选股增强策略为例：策略超额收益达到 18.4% 、风险收益比达到 4. 14 、最大回撤3.7%。 风险提示：本报告模型及结论全部基于对历史数据的分析，当市场环境变化时， 存在模型失效风险。 3613916:34 定量研究专题报告