基于价量数据的排序学习选股模型分析报告.pdfVIP

金融工程 证券研究报告 专题报告 2023 年09 月28 日 【专题报告】 基于价量数据的排序学习选股模型  排序学习的定义 排序学习（Learning to Rank ，LTR ）又名“机器排序学习” （Machine-learned Ranking ）是一种监督学习方法，此机器学习算法通过在数据集上对大量特征 进行训练，从而学习生成排序模型，以用于解决实际中的排序问题。排序学习 在文档检索、过滤和推荐系统等领域，已得到广泛应用。  LTR 算法演变 本文逐步介绍排序学习具体的算法演变，其中包括了，基于配对文档相对排序 相关研究报告 的概率损失函数，用数据对来训练模型的pairwise 排序学习方法RankNet 、对 《量化选股系列——机构情绪与个人情绪》 RankNet 的配对思想进行了扩展，将RankNet 中损失函数相对得分函数的梯度 2023-09-05 定义为lambda ，与整体排序的评分标准（如NDCG ）进行结合的LambdaRank 、 《技术指标研究之一：重新认识技术指标》 以及我们模型中所用到的在LambdaRank 的基础上将Mart 与现有模型相结合 2023-08-21 的LambdaMart 算法。 《形态学研究之八：如何利用形态信号进行行业 择时》  模型设计 2023-08-07 在构建股票池的时候，选择了沪深300、中证500、中证1000 的历史成份股分 《K 线形态研究之七：停顿线》 2023-07-31 别作为A 股市场大盘股、中盘股、小盘股的代表构建了 1800 只股票的备选股 《K 线形态研究之六：乌云压顶线》 票池，取数时间范围为2014 年 11 月至2023 年8 月底。选股策略选取了价量 2023-07-31 数据作为模型特征的主要组成部分，其中包括了每日个股上大单、中单、小单 的流入流出数据，并在此基础上添加了一致预期数据。在进行数据处理之后， 我们对以上数据使用了不同的算子进行特征工程。  LGBMRanker 选股轮动模型回测结果 本文通过使用LGBMRanker 对沪深 300 、中证500、中证1000 的成份股进行 排序学习，构建出基于价量数据的选股模型，经回测该策略从2015 年 11 月至 2023 年 8 月底的累计绝对收益率为 167.31%，相较于等权基准，累计超额收 益率为 160.16%，年化收益率为13.28%，超额年化为12.40%，夏普比率为0.48 ， 最大回撤为 34.58% 。从回测结果来看，策略相较于等权基准的年胜率为 88.89%，月胜率为 65.96% ，相较于沪深 300 的年胜率为 77.78% ，月胜率为 58.51%，相较于中证500 的年胜率为 100%，月胜率为67.02% ，相较于中证 1000 的年胜率为100%，月胜率为76.60%。策略2023 年年初至8 月底的绝对 收益率为18.10%，相较于等权基准，超额收益率为13.14%，表现出色。  风险提示： 本报告中所有统计结果和模型方法均基于历史数据，不代表未来趋势。 专题报告 投资主题