20180503-华泰证券-华泰人工智能系列之十一_人工智能选股之stacking集成学习_28页_3mb

报告摘要

金工研究：Stacking集成学习在多因子选股中的应用

核心内容概述

本文探讨了Stacking集成学习模型在A股市场多因子选股中的应用，提出了一种改进的Stacking框架，以提升模型的预测能力和稳定性。研究重点包括基模型的选择、模型构建流程、模型测试结果以及对模型表现的多维度分析。

主要观点与关键信息

1. Stacking集成学习简介

Stacking是一种常见的集成学习方法，通常由两层组成。第一层模型通过不同模型和训练数据提取差异化的输出，第二层模型对第一层输出进行学习，以提升预测准确度。改进的Stacking模型在第一层不仅使用不同模型，还采用差异化的训练数据，以增强预测稳定性，尤其适用于金融数据预测。

2. 基模型选择方法

本文提出基于适应度指标S的基模型选择方法，定义为：

$$
S = \frac{Sharpe}{Corr}
$$

通过此指标，选出预测能力高且相关性低的模型进行集成。最终选定XGBoost_6m和逻辑回归_6m与XGBoost_72m进行集成，以实现优势互补。

3. Stacking模型的关键结论

第一层模型应多样化：使用不同模型和训练数据，以提高预测能力。
模型数量并非越多越好：基模型之间需具有低相关性和高预测能力。
较短的验证集长度有助于提升模型表现：2个月的验证集可降低最大回撤，提高Calmar比率和信息比率。

4. 模型表现分析

最优Stacking模型（XGBoost_72m与逻辑回归_6m集成）在2011年2月至2018年4月期间，全A选股的行业中性策略中，年化超额收益为27.75%~29.45%，最大回撤为8.92%~10.18%，信息比率为3.33~3.84，Calmar比率为2.73~3.25。其中Calmar比率提升显著。

5. 单因子测试结果

Stacking模型输出的因子表现优异，分5层测试的年化收益率为33.82%，夏普比率为5.03。在2015年以来，因子IC均值为12.57%，IR比率为1.59，且IC值大于零的比例为94.74%，表现稳定且优于历史数据。

6. 模型构建流程

数据获取：使用全A股数据，剔除ST股、停牌股及上市不足3个月的股票。
特征和标签提取：每个自然月最后一个交易日计算70个因子暴露度作为特征，下一自然月个股超额收益作为标签。
特征预处理：包括中位数去极值、缺失值填充、行业市值中性化、标准化等。
训练与测试划分：样本内数据为74个月，其中72个月为训练集，2个月为验证集；样本外数据为截面后1个月。

7. 模型分层回测分析

分层方法：在每个一级行业内部按因子大小排序，分成N个分层组合。
绩效指标：包括年化收益率、夏普比率、信息比率、最大回撤、胜率等。
多空组合表现：在2011年1月31日至2018年4月27日期间，多空组合年化收益率为33.82%，夏普比率为5.03，表现优异。

8. 对比测试结果

对比测试1：Stacking模型（Stacking1和Stacking2）相比单一模型（如XGBoost_72m、XGBoost_6m、逻辑回归_6m）在超额收益和信息比率上表现更优，同时最大回撤更小，Calmar比率更高。
对比测试2：验证集长度对模型表现有显著影响，2个月验证集表现最佳。
对比测试3：Stacking模型第一层基模型数量对表现有影响，加入更多模型不一定提升效果，需保证模型间差异性和预测能力。