20221212-浙商证券-金融工程深度_金股数据库及金股组合增强策略（二）_20页_2mb

报告摘要

金股数据库及金股组合增强策略（二）总结

核心内容

本报告主要介绍金股数据库2.0版本的更新与改进，并基于该数据库开发了多种分析师推荐因子合成策略，包括IC动量挖掘、OLS回归、遗传规划（GP）和神经网络（NN）等模型。通过回测对比，分析了不同策略的收益表现与风险控制能力。

主要观点

金股数据库2.0版本的改进：
- 增加了多个维度的评价指标，如行业公平决策成功率、推荐赔率、波动率、夏普比率等。
- 数据量从1.46万行增加至2.92万行，提升了数据库的全面性和可比性。
- 引入剔除前5个交易日的收益率、胜率等算法，以减少短期波动对推荐效果的影响。
合成分析师推荐因子的方法：
- IC动量挖掘：基于分析师推荐金股的IC值，动态合成因子，效果较好。
- OLS回归：选取与预期收益率相关性较低的指标进行回归，但效果不如IC动量挖掘。
- 遗传规划（GP）：通过构建特征表达式，提升模型的可解释性与有效性。GP.advanced模型表现优于GPbasic模型。
- 神经网络（NN）：尝试使用不同窗口策略进行分类，但效果一般，可能因样本量不足或市场噪音干扰导致。
回测表现对比：
- IC_Positive：月均IC为0.026，IR为0.16，年化收益率33.52%，夏普比1.27，表现最佳。
- IC_Positive6：月均IC为0.023，IR为0.1455，年化收益率33.3%，表现略逊于IC_Positive。
- GP.advanced：月均IC为0.0223，IR为0.365，年化收益率25.51%，表现优于GPbasic。
- GPbasic：月均IC为-0.008，IR为-0.138，表现相对较差。
- NN_expanding_c5：月均IC为-0.007，IR为-0.105，年化收益率4.86%，表现最差。
- NN_r3_c5：月均IC为0.001，IR为0.015，年化收益率-1.26%，表现不佳。
- OLS：月均IC为0.00，IR为0.00，表现一般。
- Winning percentage（单一指标）：年化收益率32.42%，夏普比1.13，表现均衡。
模型复杂度与表现的关系：
- 随着模型复杂度的提升，其在获取收益和控制回撤方面表现有所下降。
- 主要原因包括：样本量不足、市场信噪比低、金融规律具有时变性等。

关键信息

数据更新：金股数据库2.0版本上线后将定期更新，数据量和字段数量均有所增加。
指标描述：数据库2.0包含62个字段，涵盖推荐成功率、赔率、波动率、夏普比、行业公平决策成功率等。
策略构建：所有策略均基于历史数据进行构建，调仓周期为月度，仅适用于历史回测。
风险提示：本报告结果基于历史数据建模推算，不作为投资建议，未来市场存在不确定性。

附录信息

研究团队：分析师陈冀，研究助理陆达。
相关报告：《金股数据库及金股组合增强策略（一）》发布于2022年8月21日。
投资评级说明：基于沪深300指数的涨跌幅，定义买入、增持、中性、减持等投资评级。
法律声明：本报告由浙商证券股份有限公司发布，仅供客户参考，不构成投资建议，不承担法律责任。

图表目录

图1：数据库关键指标分布及描述性统计
图2：IC_Positive合成因子分组回测、组间单调性
图3：IC_Positive合成因子IC
图4：IC_Positive6合成因子分组回测、组间单调性
图5：IC_Positive6合成因子IC
图6：OLS合成因子分组回测、组间单调性
图7：OLS合成因子IC
图8：GPbasic合成因子分组回测、组间单调性
图9：GPbasic合成因子表达式IC
图10：GP.advanced合成因子分组回测、组间单调性
图11：GP.advanced合成因子表达式IC
图12：NN_expanding_c2合成因子分组回测、组间单调性
图13：NN_expanding_c2合成因子IC
图14：NN_r3_c5合成因子分组回测、组间单调性
图15：NN_r3_c5合成因子IC
图16：NN_expanding_c5合成因子分组回测、组间单调性
图17：NN_expanding_c5合成因子IC
图18：方法间累计净值对比

表格目录

表1：金股数据库2.0版本字段表
表2：合成分析师推荐因子使用的基础指标
表3：基础指标间相关系数矩阵
表4：GPbasic模型超参数
表5：GPadvanced模型超参数
表6：NN_expanding_c2模型超参数
表7：NN_r3_c5模型超参数
表8：NN_expanding_c5模型超参数
表9：方法间最优组合对比

总结

金股数据库2.0版本通过增加字段和数据量，提供了更全面的分析师推荐信息。基于该数据库开发的多种合成因子策略在回测中表现各异，其中IC动量挖掘策略表现最佳，而神经网络策略表现最差。随着模型复杂度的增加，策略的有效性有所下降，这可能是由于样本量不足和市场噪音干扰。因此，策略构建需在收益与风险之间找到平衡。

展开完整摘要