机器学习多因子动态调仓策略-20180305-广发证券-40页-4mb

机器学习多因子动态调仓策略总结

核心内容概述

本文探讨了基于机器学习的多因子动态调仓策略在股票市场中的应用。研究指出，自2017年以来，传统因子表现不佳，风格因子轮动显著。为应对这一挑战，研究采用XGBoost模型对风格因子的未来IC值进行预测，并根据预测结果动态调整因子权重，从而构建多因子组合。同时，通过滚动训练模型、优化换手率等方式提升策略表现。

主要观点

• 传统因子表现下滑：自2011年以来，主流因子选股表现有所下降，特别是2017年之后，因子风格变化明显。
• 因子择时的重要性：在风格因子轮动频繁的市场环境下，传统的静态因子权重难以适应市场变化，因子择时成为提升策略表现的关键。
• XGBoost模型优势：XGBoost是一种高效的提升树模型，具有自动处理缺失值、对异常值不敏感、高精度、训练速度快和特征选择能力强等特点。
• 动态调仓策略效果：基于XGBoost模型的多因子动态调仓策略在样本外回测中表现优于因子等权策略和风格动量策略，年化收益率达17.12%，信息比为1.30。
• 换手率优化：设置缓冲池和限制换手率可有效降低交易成本，提升策略收益。在一定换手率限制下，策略表现更优。
• 滚动训练提升适应性：滚动训练模型能更好地适应市场风格变化，提升策略在不同市场环境下的表现。在2014年以来的回测中，滚动训练策略累积收益率达107.89%，最大回撤为7.68%。
• 因子权重变化：随着市场风格变化，因子权重也随之调整。例如，流通市值、月成交金额和一个月动量的权重占比下降，而EP和ROE的权重上升。

关键信息

风格因子选取

• 选取了7大类因子：盈利（ROE）、质量（速动比率）、成长（YOYROE）、估值（EP）、规模（流通市值）、流动性（月成交金额）、技术（股价反转）。
• 正向因子：ROE、速动比率、YOYROE、EP
• 负向因子：流通市值、月成交金额、一个月动量

外部条件变量

• 市场变量：沪深300月涨跌幅、中证500月涨跌幅、沪深300月波动率、中证500月波动率、沪深300月均换手率、中证500月均换手率
• 宏观经济变量：CPI同比、M1同比、M2同比、SHIBOR1W、PPI同比、PMI、美元兑人民币汇率

XGBoost模型

• 模型通过迭代学习残差，自动优化因子权重。
• 预测因子IC值的平均绝对误差较风格动量模型降低约20%。

回测参数

• 调仓周期：5个交易日
• 股票池：中证500成份股，剔除ST股票和停牌股票
• 对冲方案：中证500指数对冲
• 交易成本：双边千分之三

策略表现对比

优化策略

• 换手率限制：通过设置缓冲池，控制换手率，降低交易成本。例如，设置10%的缓冲池可使策略年化收益率达18.89%，信息比达1.47。
• 滚动训练：采用滚动训练模型，提升策略对市场风格变化的适应性。在2014年以来的回测中，滚动模型策略表现最优。

结论

基于XGBoost模型的多因子动态调仓策略在样本外表现优于因子等权和风格动量策略，信息比提升显著，且在市场风格变化时具有良好的适应能力。然而，较高的换手率可能导致交易成本增加，因此通过优化换手率可进一步提升策略表现。此外，策略表现受市场环境影响较大，需结合实际情况进行调整。