>> 國金證券-主動量化組合跟蹤：10月機器學習滬深300指增策略表現(xiàn)出色-251106
| 上傳日期： |
2025/11/7 |
大?。?/td>
| 1424KB |
| 格式： |
pdf 共11頁 |
來源： |
國金證券 |
| 評級： |
-- |
作者： |
高智威 |
| 下載權(quán)限： |
無限制-登錄即可下載 |
|
|
國證2000指數(shù)增強策略
經(jīng)過因子測試與篩選，包括技術(shù)、反轉(zhuǎn)、特異波動率等在內(nèi)的因子在國證2000指數(shù)成分股上均有出色表現(xiàn)，我們所合成的各個大類因子也基本都起到了很好的提升效果。10月該因子表現(xiàn)恢復出色，IC值25.34%。樣本外整體策略表現(xiàn)出色，10月策略的超額收益為2.92%。
基于多目標、多模型的機器學習指數(shù)增強策略
根據(jù)國金金融工程團隊發(fā)布的《基于多目標、多模型的機器學習指數(shù)增強策略》，原策略中我們選取了GBDT和NN兩大類結(jié)構(gòu)具有一定差異的模型，選取不同的特征數(shù)據(jù)集進行分別訓練，并使用多種預測標簽進行對比并融合，最終構(gòu)建出的GBDT+NN機器學習選股因子在A股各類寬基指數(shù)上歷史表現(xiàn)優(yōu)異。但在今年以來，尤其是近期市場風格出現(xiàn)調(diào)整后有失效表現(xiàn)。
對此，我們根據(jù)《Alpha掘金系列之十八：基于TimeMixer改進的選股因子到ETF輪動策略》，創(chuàng)新性地將其多尺度混合與季節(jié)/趨勢分解機制引入GRU模型，通過LightGBM集成TSGRU隱向量與傳統(tǒng)量化因子，構(gòu)建了改進的機器學習選股模型，該模型能更好地捕捉近期的市場信息，表現(xiàn)出色。
為貼合交易實際，我們構(gòu)建了基于TSGRU+LGBM因子的機器學習模型的指數(shù)增強策略，通過對投資組合的跟蹤誤差進行控制，最大化因子暴露?；販y區(qū)間自2018年2月1日開始，假定手續(xù)費率單邊千二，每月月初調(diào)倉。滬深300指數(shù)增強策略、中證500指數(shù)增強策略和中證1000指數(shù)增強策略上月超額收益率分別為2.25%、-0.59%和2.63%。后續(xù)隨著市場恢復正常，超額收益有望進一步提升。
基于紅利風格擇時+紅利股優(yōu)選的固收+策略
我們使用經(jīng)濟增長和貨幣流動性共10個指標，通過動態(tài)事件因子的體系構(gòu)建的紅利指數(shù)擇時策略表現(xiàn)優(yōu)異，相較于中證紅利指數(shù)全收益有顯著的穩(wěn)定性提升。在選股方面，我們利用AI模型在中證紅利指數(shù)成分股內(nèi)進行測試，得到因子表現(xiàn)相對較好，能夠長期獲得較穩(wěn)定的超額收益。上月選股策略獲取2.52%的絕對收益率，擇時策略收益率為3.28%。固收+策略收益率為0.92%，整體表現(xiàn)出色。
風險提示
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)生變化時模型存在失效的風險
|
|
