>> 國金證券-Alpha掘金系列之九：基于多目標、多模型的機器學習指數(shù)增強策略-231212
| 上傳日期： |
2023/12/13 |
大?。?/td>
| 2545KB |
| 格式： |
pdf 共20頁 |
來源： |
國金證券 |
| 評級： |
-- |
作者： |
高智威,王小康 |
| 下載權(quán)限： |
無限制-登錄即可下載 |
|
|
機器學習與量化投資的應用
各類機器學習算法近年來在量化投資領(lǐng)域得到了越來越多的應用，各種模型借助于其巧妙的模型設(shè)計有效挖掘到特征或因子間的非線性關(guān)系，完成各類因子合成或因子生成的任務，進而形成有效的量化策略，相較于傳統(tǒng)人工挖掘因子或簡單線性因子合成有著更高的效率和更好的策略效果。
我們著重探討了基于決策樹的GBDT類模型和各種神經(jīng)網(wǎng)絡(luò)類模型的算法設(shè)計，其中GBDT類模型是通過將多個簡單的決策樹進行集成，每輪迭代時訓練目標為前一輪的預測殘差，不斷逼近真實值。XGBoost、LightGBM和CatBoost都是三種典型的GBDT算法改進模型。而神經(jīng)網(wǎng)絡(luò)類模型通過模仿生物神經(jīng)元相互傳遞信號的方式構(gòu)造。模型結(jié)構(gòu)包括輸入層、輸出層和多個隱藏層，每一層均有若干個神經(jīng)元可與其他節(jié)點連接。為了解決不同應用場景也出現(xiàn)了不同的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計，包括專門用于解決時序預測問題的LSTM&GRU、用于結(jié)合卷積思路用于時序預測的TCN、以及引入了自注意力機制的Transformer模型。我們在本篇報告中對這些模型分別進行測試比較，最終形成有效的量化投資策略。
兩類模型在A股各寬基指數(shù)的測試效果
在特征層面，我們使用包括Alpha158、GJQuant基本與日頻量價因子和Ta-Lib各類技術(shù)指標因子作為模型的輸入特征進行測試。發(fā)現(xiàn)Alpha158和GJQuant兩類特征的結(jié)合在GBDT類模型中表現(xiàn)較好，而神經(jīng)網(wǎng)絡(luò)類模型中僅使用Alpha158表現(xiàn)更優(yōu)。在預測標簽層面，除了傳統(tǒng)的未來20日超額收益率外，我們添加了信息比率和Calmar比率同樣作為預測目標對模型進行訓練。發(fā)現(xiàn)以信息比率和超額收益率作為預測目標的模型信號各類投資組合指標表現(xiàn)相對更好。就模型對比來看，GBDT類模型預測信號的多頭超額收益率明顯更優(yōu)，而神經(jīng)網(wǎng)絡(luò)類模型的最大回撤明顯更低。兩類模型的相關(guān)性約為0.4-0.5之間，因此我們將兩大類模型等權(quán)合成，構(gòu)造最終的選股因子。
在滬深300上，GBDT+NN模型因子IC均值達到10.40%，多頭年化超額收益率14.44%，多頭夏普比率0.73，超額最大回撤僅為5.54%。在中證500上，IC均值10.34%，多頭年化超額收益率16.55%，多頭夏普比率0.72，超額最大回撤12.84%。中證100成分股上表現(xiàn)更加亮眼，IC均值14.62%，多頭年化超額收益率27.71%，多頭夏普比率0.97，超額最大回撤4.74%。
基于GBDT+NN模型結(jié)合的指數(shù)增強策略
以上可以看出，融合了多種模型、多種預測目標的選股因子在各寬基指數(shù)成分股上表現(xiàn)優(yōu)異。考慮貼合投資實際，我們使用馬科維茨的均值方差優(yōu)化模型，對投資組合的跟蹤誤差進行限制，最大化預期超額收益率的方式進行指數(shù)增強策略的構(gòu)建。在假設(shè)單邊千二的手續(xù)費率下，所得到GBDT+NN滬深300指數(shù)增強策略年化超額收益率15.85%，超額最大回撤3.12%。中證500指數(shù)增強策略年化超額20.74%，超額最大回撤6.36%。中證1000指數(shù)增強策略年化超額32.82%，超額最大回撤3.97%。
風險提示
1、以上結(jié)果通過歷史數(shù)據(jù)統(tǒng)計、建模和測算完成，在政策、市場環(huán)境發(fā)生變化時模型存在時效的風險。
2、策略通過一定的假設(shè)通過歷史數(shù)據(jù)回測得到，當交易成本提高或其他條件改變時，可能導致策略收益下降甚至出現(xiàn)虧損。
|
|
