构造多空股票投资组合，一种新的排序学习算法.docxVIP

Page PAGE 10 Page PAGE 10 请务必阅读正文之后的免责条款部分全球视野 本土智慧 请务必阅读正文之后的免责条款部分 全球视野 本土智慧 文献来源 文献来源：XIN ZHANG, LANWU and ZHIXUE CHEN, “Constructing long-short stock portfolio with a new listwise learn-to-rank algorithm (July, 2021)”, Quantitative Finance. 文献亮点： 本文提出了组合因子构建多空组合的新思路，在学习排序方法的基础上提出了一种新的损失函数，目的是通过 listwise 方式选择多空组合对。它具有平移不变和概率可解释的特点。本文构建的模型可以被看作是研究非顺序敏感损失函数的一个补充工具，它也可以启发统一 pairwise 和listwise 代理损失函数的框架。 本文的实证结果显示出排序预测相对于数值预测的优势，还有构建的损失函数特别是 ListFold-exp 的强大作用。本文还通过经验验证了 IC 比 NDCG 类型的排名指标更适合评估 alpha 策略。 摘要 随着机器学习的快速发展，多因子策略在行业中的应用越加广泛。通常的做法是将多个因子输入到算法中来做横截面收益的预测，并进一步构建多空投资组合。最新的研究不再是预测股票的收益值，而是利用成熟的排序算法来预测股票的未来收益排名。 本文提出了一个损失函数基于排名的全新的 listwise 排序算法，该损失函数旨在同时强调排名队列的头部和尾部。本文的损失函数用于多空策略具有内在的平移不变性，可以看作是对 ListMLE 的直接推广。在不同的转换函数下，二元分类损失或排列级别的 0-1 损失是一致的。作者也给出一个广义的 Plackett-Luce 模型的概率解释。本文测试了 2006-2019 年中国A 股市场 68 个因子的数据集， 所构建的多空股票投资组合表现较好，样本外年收益率 38%，夏普比率为 2。 关键词: Learn-to-rank ListMLE 多空组合 因子策略 机器学习 JEL 分类 G11 C45 C53 介绍 主动组合管理最早可以追溯至 CAPM 模型（Sharpe，1964 和 Lintner，1965） 和 Fama-French 三因子模型（Fama 和 French ，1993）的提出。自打诞生以来，关于主动组合管理的价值众说纷纭，褒贬不一。Carhart(1997)代表传统投资理念的巅峰，Carhart 并不符合擅长技术分析或者精通消息的基金组合经理的条件，但是 Cremer 最新发表的文章（Cremer et al.2019）质疑了传统投资理念这个观点，文章认为无论是在择时还是选股上，传统观点都有点落伍。择时主要包括对市场未来走势的预测，预测周期从几毫秒到几个月不等。而选股策略的一个基本的框架是找到各种因子，并将它们组合起来预测下一个时间区间的回报。在 Fama 和 French 的启发下，为了获得这种基于横断面预测的回报， 投资者可以采用因子多空策略，即做多因子排名靠前的股票，做空因子排名靠后的股票。预测能力强的因子往往是保密的，并悄悄获取不菲的收益。与此同时，各类文献中也提出了许多相对普通的因子（Tulchinsky 2019，Giglio 等， 2019）。能否从这些相对普通的因子中挖掘出能产生预测能力强的因子，是一个仁者见仁智者见智的问题。本文试图通过一种新颖的学习排序算法来回答这个问题，该方法受到多-空交易行为的启发，旨在直接预测一个横截面上的股票排名列表，而不是传统的股票收益的数值。 学习排序算法是一类有监督的机器学习算法，在信息检索(IR)领域已经被证明是非常成功的。排序算法已成为推荐系统的核心部分，广泛应用于网络搜索、新闻推送、在线购物和广告等领域。基于排序的机器学习算法在文本归纳和机器翻译等领域也表现出了强大的能力。然而，在因子投资领域这些排序算法还没有得到人们的足够重视。尽管已经有许多其他的机器学习算法被用于开发多因子策略（De Prado 2018，Rasekhschaffe 和 Jones 2019），但是并没有从排名的角度来看待这个问题。对于 IR 指标一个明显的差别是，在多头策略中人们只关心排名靠前的指标的准确性，但在多空策略中，人们希望排名靠前和靠后的指标都是准确的。为了弥补这一差距，人们需要一种同时强调顶端和底部的学习排序算法。事实上，一些研究人员经将排名框架引入到了多因子策略中，但他们大多关注于添加可替换因子或构建神经网络（Song et al. 2017,Feng et al. 2019, Fang et al. 2020a）。对于满足多空策略的需求，很少有