20220409-德邦证券-德邦金工选股月报——第三期_10页_1mb

金融工程月报总结（第三期，2022.04.11）

核心内容概览

本报告为德邦证券金融工程团队发布的第三期选股月报，重点跟踪四个基于机器学习的选股策略和一个投资组合的表现。报告以接近真实投资的方式进行策略与组合的跟踪，并说明了本期持仓调整情况。同时，报告还对投资组合的超额收益进行了归因分析，并提供了相关的风险提示和信息披露。

主要观点

• 策略与组合跟踪：报告持续跟踪四个选股策略与一个投资组合，以全市场RankIC作为策略评估的核心指标。
• 策略表现：
  • 策略一：基于十因子的机器学习残差因子，RankIC平均为0.032，RankICIR为0.564。
  • 策略二：基于十五因子的机器学习残差因子，RankIC平均为0.054，RankICIR为0.909。
  • 策略三：基于十五因子的机器学习反转因子，RankIC平均为0.067，RankICIR为1.169。
  • 策略四：综合策略二与策略三的复合因子，RankIC平均为0.065，RankICIR为1.123。
• 投资组合表现：
  • 自2015年1月起，投资组合累计收益率为177.4%。
  • 样本外跟踪（2022.02.07起）累计超额收益为4.06%。
  • 2022年3月7日至2022年4月8日期间，组合收益率为-4.86%，基准收益率为-7.2%，超额收益为2.34%。
• 超额收益归因：
  • 超额收益由风格贡献（0.19%）、行业贡献（0.81%）和因子特质选股能力贡献（1.35%）组成。
  • 组合在行业上保持中性，因此行业贡献较少。
• 持仓调整：
  • 本期调仓双边换手率为61.7%，新增持仓股票27只，调出股票75只。
  • 调仓后组合共持有195只股票，其中27只为新调入，75只为新调出，其余为保持上期持仓。

关键信息

选股策略描述

• 策略一：基于十因子的机器学习残差因子，使用最近期的CNE5风格因子进行线性回归，计算特质收益率，并用机器学习模型拟合该函数，再对结果进行风格中性化处理。
• 策略二：基于十五因子的机器学习残差因子，结合十个风格因子与五个财务因子进行建模，结果进行风格中性化处理。
• 策略三：基于十五因子的机器学习反转因子，使用上月风格与财务因子及股票收益率进行建模，通过取残差的相反数并风格中性化得到因子。
• 策略四：复合因子，将策略二和策略三的因子进行等权加总，作为最终选股因子。

投资组合表现

• 分年度表现：策略与基准的年化收益率、波动率、夏普比率、信息比率及最大回撤均有详细记录。
• 超额收益分析：超额收益主要来自因子特质选股能力，风格与行业贡献较小。

风险提示

• 市场风格变化风险：市场风格可能发生变化，影响策略效果。
• 模型失效风险：模型在不同市场环境下可能失效。
• 数据可用性风险：数据来源可能影响策略的执行与评估。

本期持仓详情

• 调仓情况：本期调仓双边换手率为61.7%，新调入股票27只，新调出股票75只。
• 持仓结构：
  • 调仓后共持有195只股票。
  • 新调入股票列表见表4。
  • 新调出股票列表见表5。
  • 保持上期持仓的股票见表6。
• 权重分配：所有股票在组合中的权重相等。
• 持仓成本：以调仓日收盘价作为持仓成本。

数据来源与免责声明

• 所有数据均来自Wind及德邦研究所。
• 报告仅供内部参考，不构成投资建议。
• 报告中的信息、意见及结论基于作者的职业理解，不保证其准确性或完整性。
• 投资有风险，入市需谨慎。

分析师与研究助理信息

• 肖承志：德邦证券首席金融工程分析师，具备丰富的证券研究经验，擅长机器学习模型与因子选股。
• 王成煜：金融工程助理研究员，负责主动量化选股。
• 林宸星：负责大类资产配置与策略开发。
• 吴金超：负责指数择时与基本面量化选股。

投资评级说明

• 股票投资评级：分为买入、增持、中性、减持，分别对应相对市场表现的差异。
• 行业投资评级：分为优于大市、中性、弱于大市，根据行业整体回报与基准指数的对比进行划分。

法律声明

• 本报告仅供德邦证券客户使用，未经授权不得复制、分发或修改。
• 报告内容不构成投资建议，不承担任何因使用报告内容而产生的损失责任。
• 报告内容可能随市场变化而调整，不保证其一致性。