華泰人工智能系列之十八：機(jī)器學(xué)習(xí)選股模型的調(diào)倉頻率實(shí)證-20190409-華泰證券-18頁

1、謹(jǐn)請(qǐng)參閱尾頁重要聲明及華泰證券股票和行業(yè)評(píng)級(jí)標(biāo)準(zhǔn)1證券研究報(bào)告證券研究報(bào)告金工研究深度研究2019年04月09日林曉明林曉明執(zhí)業(yè)證書編號(hào)：S0570516010001研究員075582080134linxiaoming@陳燁陳燁執(zhí)業(yè)證書編號(hào)：S0570518080004研究員01056793942chenye@李子鈺李子鈺075523987436聯(lián)系人liziyu@何康何康聯(lián)系人hekang@1《金工《金工:市值因子收益與經(jīng)濟(jì)結(jié)構(gòu)的關(guān)系

2、》市值因子收益與經(jīng)濟(jì)結(jié)構(gòu)的關(guān)系》2019.032《金工《金工:人工智能選股之?dāng)?shù)據(jù)標(biāo)注方法實(shí)證》人工智能選股之?dāng)?shù)據(jù)標(biāo)注方法實(shí)證》2019.033《金工《金工:“華泰周期輪動(dòng)”基金組合構(gòu)建》“華泰周期輪動(dòng)”基金組合構(gòu)建》2019.03機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)選股選股模型的調(diào)倉頻率實(shí)證模型的調(diào)倉頻率實(shí)證華泰人工智能系列之十八周頻調(diào)倉周頻調(diào)倉XGBoost模型表現(xiàn)最好，需要借助組合優(yōu)化來控制模型換手率模型表現(xiàn)最好，需要借助組合優(yōu)化來控制模型換手率201

3、7年以來，月頻調(diào)倉的機(jī)器學(xué)習(xí)模型超額收益指標(biāo)明顯下滑。本文根據(jù)理論分析，認(rèn)為可以通過加快調(diào)倉頻率來提升機(jī)器學(xué)習(xí)選股模型的表現(xiàn)。在實(shí)證中，本文對(duì)比了三種調(diào)倉頻率的XGBoost模型，周頻調(diào)倉XGBoost表現(xiàn)最好。此外，對(duì)于周頻調(diào)倉XGBoost來說，需要使用組合優(yōu)化來控制換手率才能達(dá)到最優(yōu)的回測結(jié)果。最后，本文測試了周頻調(diào)倉XGBoost在不同交易成本下的表現(xiàn)，投資者可以參考不同交易成本下的回測結(jié)果來設(shè)計(jì)調(diào)倉方案。根據(jù)理論分析，可以通過

4、加快調(diào)倉頻率來提升根據(jù)理論分析，可以通過加快調(diào)倉頻率來提升機(jī)器學(xué)習(xí)選股模型機(jī)器學(xué)習(xí)選股模型的表現(xiàn)的表現(xiàn)2017年以來，月頻調(diào)倉的機(jī)器學(xué)習(xí)模型超額收益指標(biāo)明顯下滑。本文計(jì)算了XGBoost模型的月度RankIC均值，2017年之后，其月度RankIC均值出現(xiàn)下滑，可能原因之一是2017年以后A股市場變得更加有效，月頻調(diào)倉的模型面臨挑戰(zhàn)。根據(jù)RidGrinold提出的公式=√，在IC(信息系數(shù))下滑的情況下，為了達(dá)到給定的IR(信息比率)水

5、平，一個(gè)可行的方法就是增大BR(投資策略的廣度)，增大BR有兩種方法，一是增加投資組合中資產(chǎn)的數(shù)目，二是加快調(diào)倉頻率，本文測試了加快調(diào)倉頻率的方法，得到了更優(yōu)的回測結(jié)果。本文對(duì)比了三種調(diào)倉頻率的本文對(duì)比了三種調(diào)倉頻率的XGBoost模型，周頻調(diào)倉模型，周頻調(diào)倉XGBoost表現(xiàn)最好表現(xiàn)最好本文對(duì)比了以下三個(gè)模型：(1)月頻調(diào)倉XGBoost；(2)半月頻調(diào)倉XGBoost；(3)周頻調(diào)倉XGBoost。我們構(gòu)建了相對(duì)于中證500的行業(yè)、

6、市值中性全A選股策略并進(jìn)行回測(交易成本為雙邊0.4%)。當(dāng)回測期為20110131～20190329時(shí)，對(duì)于年化超額收益率、超額收益最大回撤、信息比率和Calmar比率，周頻XGBoost都表現(xiàn)最好。2017年以來，月頻XGBoost在每月后半月的超額收益增長率表現(xiàn)欠佳，加快調(diào)倉頻率可以較大提升模型在后半月的超額收益增長率，且有助于平滑模型在整個(gè)月內(nèi)的超額收益增長率分布并平攤交易成本。對(duì)于較高調(diào)倉頻率的模型對(duì)于較高調(diào)倉頻率的模型，使用

7、組合優(yōu)化來控制換手率很有必要，使用組合優(yōu)化來控制換手率很有必要本文測試了半月頻XGBoost和周頻XGBoost在更高換手率情況下的回測結(jié)果(交易成本為雙邊0.4%)。當(dāng)回測期為20110131～20190329時(shí)，周頻XGBoost在年均雙邊換手率為23.91倍時(shí)表現(xiàn)最好，其年化超額收益率為21.02%，超額收益最大回撤為3.98%，信息比率為3.86，Calmar比率為5.28。半月頻XGBoost在年均雙邊換手率為24.64倍時(shí)表

8、現(xiàn)最好，兩個(gè)模型在不控制換手率時(shí)都達(dá)到了很高的年均雙邊換手率(周頻XGBoost為59.63倍，半月頻XGBoost為32.96倍)，而且回測結(jié)果表現(xiàn)都不佳。所以對(duì)于較高調(diào)倉頻率的模型來說，使用組合優(yōu)化來控制換手率很有必要。本文測試了本文測試了周頻調(diào)倉周頻調(diào)倉XGBoost在不同交易成本下的表現(xiàn)在不同交易成本下的表現(xiàn)對(duì)于具有較高換手率的策略來說，交易成本是一個(gè)不可忽視的問題，本文選取周頻XGBoost模型，測試了其在不同交易成本(雙邊0

9、.3%，0.4%，0.6%，1%)下的表現(xiàn)。周頻XGBoost相比于月頻XGBoost，回測超額收益有顯著提升，但需要注意的是調(diào)倉頻率越高，對(duì)交易水平的要求也越高，投資者可以參考不同交易成本下的回測結(jié)果來設(shè)計(jì)調(diào)倉方案。風(fēng)險(xiǎn)提示：較高的調(diào)倉頻率對(duì)交易水平、市場流動(dòng)性有一定要求，極端情況下可能造成過高交易成本。通過人工智能模型構(gòu)建的選股策略是歷史經(jīng)驗(yàn)的總結(jié)，存在失效的可能。人工智能模型可解釋程度較低，使用須謹(jǐn)慎。相關(guān)研究相關(guān)研究202636

10、95361392019041016:09金工研究深度研究|2019年04月09日謹(jǐn)請(qǐng)參閱尾頁重要聲明及華泰證券股票和行業(yè)評(píng)級(jí)標(biāo)準(zhǔn)3本文研究導(dǎo)讀本文研究導(dǎo)讀前期的人工智能選股報(bào)告中，我們使用的機(jī)器學(xué)習(xí)模型都使用月頻調(diào)倉的方式進(jìn)行回測。我們觀察到2017年以來，月頻調(diào)倉的機(jī)器學(xué)習(xí)模型超額收益指標(biāo)明顯下滑。針對(duì)這個(gè)問題，本文將從模型調(diào)倉頻率的角度出發(fā)，結(jié)合組合優(yōu)化方法，探討更高頻率調(diào)倉對(duì)模型表現(xiàn)的影響。本文將主要關(guān)注以下問題：1.2017年以