华泰人工智能系列之十八：机器学习选股模型的调仓频率实证

《华泰人工智能系列之十八：机器学习选股模型的调仓频率实证》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、正文目录本文研究导读3机器学习模型超额收益表现的下滑和应对方法4月频调仓XGBoost模型的超额收益特点4调仓频率和组合优化5测试流程6测试结果9不同换手率约束下的模型回测对比9模型在更高换手率情况下的回测结果11模型在不同交易成本下的回测结果12结论14风险提示15附录：换手率控制的数学推导16图表目录图表1：XGBoost全A月频调仓选股策略超额收益表现(中证500行业市值中性，个股权重偏离上限为1%)4图表2：XGBoost模型在全A股的逐年月度RankIC均值4图表3：测试流程示意图6图表4：选股模型中涉及

2、的全部因子及其描述7图表5：三个模型构建全A选股策略回测指标对比(回测期20110131～20190329)9图表6：三个模型构建全A选股策略回测指标对比(回测期20170103～20190329)10图表7：三个模型超额收益表现(中证500行业市值中性，个股权重偏离上限为1%)10图表8：2017年以来三个模型超额收益增长率分布(计交易成本)11图表9：2017年以来三个模型超额收益增长率分布(不计交易成本)11图表10：两个模型构建全A选股策略回测指标对比(回测期20110131～20190329)12图表11

3、：不同交易成本下周频XGBoost构建全A选股策略回测指标对比(回测期20110131～20190329)12图表12：不同交易成本下周频XGBoost超额收益表现(中证500行业市值中性，个股权重偏离上限为1%)13谨请参阅尾页重要声明及华泰证券股票和行业评级标准谨请参阅尾页重要声明及华泰证券股票和行业评级标准本文研究导读前期的人工智能选股报告中，我们使用的机器学习模型都使用月频调仓的方式进行回测。我们观察到2017年以来，月频调仓的机器学习模型超额收益指标明显下滑。针对这个问题，本文将从模型调仓频率的角度出发，

4、结合组合优化方法，探讨更高频率调仓对模型表现的影响。本文将主要关注以下问题：1.2017年以来，月频调仓的机器学习模型超额收益表现下滑，可能原因是什么？如何应对？2.改变机器学习模型的调仓频率，对模型策略的表现有何影响？此时如何通过组合优化来控制模型的换手率？资料来源：Wind，朝阳谨请参阅尾页重要声明及华泰证券股票和行业评级标准机器学习模型超额收益表现的下滑和应对方法本章中，我们以XGBoost模型为例，首先讨论近年来模型超额收益表现下滑的现象，然后给出解决方案。月频调仓XGBoost模型的超额收益特点前期的人工

5、智能选股报告中，我们重点关注使用机器学习模型进行股票收益预测。在获得了机器学习模型下个月的收益预测结果后，构建月频调仓的选股策略进行回测。图表1中展示了XGBoost全A选股月频调仓策略(中证500行业市值中性，个股权重偏离上限为1%)的超额收益表现，可以看出，模型在2017年以后超额收益波动明显变大，并反复出现回撤，2017年至今(2019年3月29日)年化超额收益率为4.87%，信息比率为0.87，相比2011年至2016年(年化超额收益率为20.75%，信息比率为3.90)明显下滑。(注：为了提高策略的可执行

6、性，本文的回测使用均价(vwap)作为成交价进行回测，之前的报告使用收盘价作为成交价进行回测，因此策略表现有一定差异。)图表1：XGBoost全A月频调仓选股策略超额收益表现(中证500行业市值中性，个股权重偏离上限为1%)超额收益回撤（右轴）累积超额收益（左轴）250%5%200%150%3%100%50%1%2011-022011-082012-022012-082013-022013-082014-022014-082015-022015-082016-022016-082017-022017-082018-

7、022018-082019-020%-50%-1%-100%-150%-3%-200%-250%-5%资料来源：Wind，朝阳永续，量化多因子模型本质上是统计套利模型，利用市场的失效来获取Alpha。随着A股市场的发展，市场的有效性在逐渐增强，此时月频调仓的模型显现出其弊端。图表2展示了XGBoost模型在全A股的逐年月度RankIC均值(计算方法：将XGBoost模型的预测值视为单因子，进行行业市值中性，然后计算月度RankIC。图表2中2019年的月度RankIC均值是2019年1月到3月的均值)。图表2：XG

8、Boost模型在全A股的逐年月度RankIC均值月度RankIC均值0.20.150.10.0502011年2012年2013年2014年2015年2016年2017年2018年2019年永续，谨请参阅尾页重要声明及华泰证券股票和行业评级标准从图表2可以看出，2017年之前，XGBoost模型的月度RankIC均值维持在较高位置，2017年之后，其月度Ran