用树模型提取分析师预期数据中的非线性alpha信息.docxVIP

内容目录 引言 6 因子介绍及结构分析 6 设计和分类 6 一致预期类 6 评级类 7 目标价类 7 报告标题超预期类 8 常见但未使用的因子 8 结构分析 8 覆盖率 8 统计分布 8 与其他类别因子相关性 9 时序平稳性 10 2.2.5. 结论 10 建模目标和分析流程 11 基础模型介绍 11 构建方法 11 模型表现 11 目标模型构建 12 训练流程简介 12 股票池 12 数据采样方法 12 滚动训练 12 因变量和自变量 13 目标模型中的因变量 13 股票预期收益 13 自变量 13 降低与基础模型相关性的方法 13 时间周期 14 技术选择 14 去除低相关性时的一个陷阱 15 本报告采用的去相关性方法 15 训练单期模型 16 回归模型特点比较 16 线性模型训练方法 16 提升树模型训练方法 16 在时间序列上进行交叉验证的方法 17 估计股票日预期收益 17 其它相关技术要点 18 样本权重的选取 18 自变量平稳性与调整预测值分布 18 交叉检验的效用函数 18 模型风险的来源、评估与模型赋权 18 风险来源 18 风险评估 19 模型赋权 21 模型实证分析 22 分析方法 22 预测值分布及时序表现 22 对因变量的预测性 24 与基础模型相关性 24 模型诊断 24 线性关系 24 分行业表现 25 分市值表现 26 组合策略表现 26 分析和总结 28 模型相关性和模型融合 28 相对基础模型的增量收益分析 30 8. 总结 31 附：组合策略回测 31 组合设计 32 回测流程 32 图表目录 图 1：conscounting_cvrg_90 直方图 9 图 2：avgrating_ew_90 直方图 9 图 3：与单季 ROE 同比因子的相关性 9 图 4：与单季 ROE 因子的相关性 9 图 5：与市值因子的相关性 9 图 6：与中性化后市值平方因子相关性 9 图 7：consroeoverntc_ew_0 的历史覆盖率 10 图 8：avgexpass_ew_90 的历史覆盖率 10 图 9：substract[ntcroe_q_0,consroeonntc_ew_0]的 25 分位值 10 图 10：avgrating_ew_60 的 25 分位值 10 图 11：conscounting_cvrg_90 的 75 分位值 10 图 12：substract[ntcroe_q_0,consroeonntc_ew_0]的 75 分位值 10 图 13：基础模型策略表现 12 图 14：基础模型指数增强表现 12 图 15：滚动测试周期定义 13 图 16：3-Fold 交叉检验示意图 17 图 17：基础模型模型风险 21 图 18：线性模型 2010 年预测值分布 23 图 19：提升树模型 2010 年预测值分布 23 图 20：线性模型 2014 年预测值分布 23 图 21：提升树模型 2014 年预测值分布 23 图 22：预测值时序自相关性 23 图 23：日预期收益截面标准差 23 图 24：目标模型 IC 值时序累加图 24 图 25：目标模型预测值与基础模型预测值截面相关性 60 天均值 24 图 26：线性模型预测值与自变量线性关系 25 图 27：提升树模型预测值与自变量线性关系 25 图 28：线性模型分行业表现 25 图 29：提升树模型分行业表现 25 图 30：线性模型与提升树模型分行业表现对比 26 图 31：线性模型分市值表现 26 图 32：提升树模型分市值表现 26 图 33：线性模型组合策略表现 27 图 34：树模型组合策略表现 27 图 35：线性模型指数增强表现 27 图 36：提升树模型指数增强表现 27 图 37：线性模型策略真实与预期收益对比 27 图 38：提升树模型策略真实与预期收益对比 27 图 39：目标模型之间预测值截面相关系数 60 天均值 28 图 40：等权模型与线性模型多空收益对比 29 图 41：等权模型与线性模型多空收益差 29 图 42：等权模型与线性模型多头收益对比 29 图 43：等权模型与线性模型多头收益差 29 图 44：等权模型与线性模型头部多头收益对比 29 图 45：等权模型与线性模型头部多头收益差 29 图 46：等权模型与线性模型 300