20240412-浙商证券-机器学习与因子（五）：基于变点识别的量化产品分析.pdfVIP

证券研究报告|金融工程深度

金融工程深度报告日期：2024年04月12日

机器学习与因子（五）：基于变点识别的量化产品分析

核心观点分析师：陈奥林

执业证书号：S1230523040002

本文介绍了一种新的，融合变点识别、股票降维和机器学习技术的量化产品持仓chenaolin@

拟合方法。经检验，该方法的周度收益预测能力强，中证500指增产品周收益预测偏研究助理：陆达

差为0.02%。luda@

在有效拟合的基础上，开发出了一套量化产品分析与监控的应用。该应用能有效相关报告

补齐现存量化产品评估方法的短板。1《景气方向：全球定价与制造

❑变点定义：反向运动/剧烈运动业出海》2024.04.06

通过识别变点，获取高信息含量的数据点。变点有以下两种定义：资产的收益率2《财报季投资：出口景气组

呈现异号特征；资产的波动性显著高于其长期平均水平。合》2024.03.31

❑股票降维：聚类/分类3《含交叉注意力机制的趋势预

股票数量庞大，无法直接用以拟合产品收益。尝试两种股票降维方法，第一是按测模型》2024.03.28

照回溯期内股票收益率进行分类；第二是将股票回溯期内CNE6风险因子视为股

票的特征，对股票按照特征进行聚类。

❑持仓拟合：SLP/OLS

尝试用带约束，不带激活函数和偏置项的单层感知机和带约束的最小二乘求解产

品在各类股票上的权重。

❑拟合性能落地应用

经测试，该方法的拟合性能强，产品预测能力强。对中证500指增，中证1000

指增和沪深300指增产品的周收益预测平均偏差为0.02%，-0.09%，0.14%。在

此基础上，开发出产品风格拆解、事件监控、风险监控和纯Alpha收益估计的实

践应用。

❑风险提示

模型风险：由于模型构建、参数估计、假设条件及其应用等方面存在的不确定性

或错误，导致模型预测结果与实际情况产生显著偏离。

历史数据不代表未来：市场和环境随时间变化，历史数据不能完全代表未来趋

势，尤其当市场结构、政策环境或投资者行为发生突变时，基于历史数据训练的

模型可能失效。

神经网络随机风险：神经网络有初始化随机性、训练路径随机性等风险。训练过

程中采用了固定种子和多次训练的方式，但无法完全消除随机性。

1/15请务必阅读正文之后的免责条款部分

金融工程深度

正文目录

1引言4

2变点识别的持仓拟合方法4

2.1变点识别5

2.2股票分类/聚类5

2.3持仓拟合5

2.3.1单层感知机5

2.3.2最小二乘回归6

2