>> 招商證券-因子模型系列之十二-利用XGBoost預(yù)測規(guī)模因子收益方向-190110
| 上傳日期： |
2019/1/11 |
大?。?/td>
| 1832KB |
| 格式： |
pdf 共22頁 |
來源： |
招商證券 |
| 評級： |
無 |
作者： |
葉濤 |
| 下載權(quán)限： |
此報告為加密報告 |
|
|
根據(jù)規(guī)模類因子自身特點(diǎn)出發(fā)，對因子的第二類變化進(jìn)行預(yù)測，提取宏觀特征變量指標(biāo)，用整群抽樣的方式劃分訓(xùn)練集和測試集，調(diào)參并構(gòu)建模型，最后在測試集中進(jìn)行模型評估。XGBoost對比動量預(yù)測方法，其預(yù)測準(zhǔn)確性有較為明顯的提升。
盡管在經(jīng)濟(jì)學(xué)解釋上仍存在較大的爭議，但是在實(shí)證研究和實(shí)踐中，規(guī)模類因子的確不論在對超額收益的解釋力上還是對超額收益的貢獻(xiàn)上，相較其他類型的因子都有較大的優(yōu)勢。換而言之，它對組合收益的影響，要比其他因子顯著很多。
相比于其他類型的因子，規(guī)模類因子在第一類變化（因子暴露度排序的變化）上的程度是最低的。因而對規(guī)模類因子進(jìn)行預(yù)測，當(dāng)預(yù)測其第二類變化（投資者對該因子情緒的變化）。
對于第二類變化的預(yù)測須從宏觀數(shù)據(jù)入手更為合情合理。
我們挑選眾多宏觀特征變量和技術(shù)指標(biāo)特征變量，根據(jù)變量之間的相關(guān)系數(shù)水平進(jìn)行適當(dāng)篩選。用整群抽樣的方式來劃分訓(xùn)練集和測試集。
將特征變量放入XGBoost模型進(jìn)行訓(xùn)練，使用了一些常用的手段去防止模型出現(xiàn)過擬合，而后去預(yù)測規(guī)模類因子收益的方向。
最后評估發(fā)現(xiàn)，XGBoost模型對規(guī)模類因子下一周的收益方向預(yù)測能有65.8%的邏輯預(yù)測準(zhǔn)確率，較基準(zhǔn)預(yù)測方法（動量預(yù)測方法）預(yù)測的準(zhǔn)確性提升近20%。
在特征變量的重要性排序上，排名前四的分別是：螺紋鋼市場價、100大中城市:成交土地占（環(huán)比）、發(fā)電量當(dāng)月同比、公共財(cái)政收入當(dāng)月值。前四均為宏觀特征變量，從實(shí)證數(shù)據(jù)說明，宏觀變量在預(yù)測規(guī)模類因子收益方向上，還是有較強(qiáng)的區(qū)分力的。
兩個被解釋變量（標(biāo)簽）滯后項(xiàng)區(qū)分能力最弱，動量預(yù)測在周頻數(shù)據(jù)上乏善可陳。
|
|
