20211124-德邦证券-德邦金工机器学习专题之二_机器学习残差因子表现归因_16页_2mb

金融工程专题总结

核心内容

本文围绕机器学习残差因子在金融工程中的应用展开，重点分析其在不同股票池中的选股效果、超额收益归因以及投资组合容量测试。研究基于CNE5风格因子，通过机器学习模型对残差收益率进行建模，构造出机器学习残差因子，并将其用于全市场和指数成分股的选股策略。

主要观点

1. 机器学习残差因子的构建与作用

• 通过多元线性回归计算残差收益率，认为其可由风格因子的非线性函数、未被风格因子解释的信息以及其他因素解释。
• 使用神经网络、随机森林、提升树等机器学习模型拟合残差收益率，构造集成模型，并进行交错训练，以避免过拟合。
• 构造的机器学习残差因子与风格因子线性不相关，因此不反映任何风格偏好，但具有较强的选股能力。

2. 全市场选股表现

• 全市场选股中，机器学习残差因子暴露最高的组（组10）表现出显著的超额收益，且超额收益稳定。
• 行业和风格归因显示，因子暴露最高的组在行业和风格上均未表现出显著的选股能力，大部分超额收益来源于特质选股能力。
• 小市值股票在组合中占比最大，且贡献了最多的收益和超额收益，但大市值股票提供了风险分散效应。

3. 策略容量测试

• 基于每日交易额10%的假设，策略在百亿元资金量时仍能获得可观的超额收益。
• 调仓完成度是衡量投资组合与策略一致性的重要指标，随着资金量的增加，调仓完成度下降，影响超额收益。
• 策略具有较低的换手率（平均每月约35%），有利于降低交易成本。

4. 指数成分股选股效果

• 在沪深300和中证500成分股中，机器学习残差因子的选股能力较弱，主要因为定价有效性较高。
• 仅在小市值股票池中，因子表现出较强的选股能力，且在非均匀分组下效果更好。

5. 双因子分组策略

• 采用机器学习残差因子与风格因子进行双因子分组，可进一步提升选股效果。
• 在高机器学习因子暴露的股票池中，小市值、低流动性、高贝塔、高账面市值比、高盈利、低杠杆等风格因子表现优异，显示出特质选股能力与风格因子的结合效果。

关键信息

• 模型训练与分组方式：采用集成模型（神经网络、随机森林、提升树），并进行交错训练，以提高模型的稳健性。
• 归因方法：通过线性回归对风格、行业进行归因，剥离因子对风格因子的影响，得到机器学习残差因子。
• 选股池划分：将全市场股票划分为大市值、中市值、小市值三个部分，其中小市值股票的超额收益最为显著。
• 容量测试：策略在1亿至500亿资金量范围内表现稳定，但资金量越大，超额收益越小，这与调仓完成度有关。
• 风险提示：包括海外市场波动、宏观政策变化、模型失效等。

结论

• 机器学习残差因子在全市场选股中表现出较强的选股能力，其超额收益主要来源于特质选股能力。
• 在大市值和中市值股票池中，因子的选股能力较弱，与定价有效性有关。
• 策略具有低换手率和高调仓完成度，适合大规模资金使用。
• 通过双因子分组，可以提升策略的选股效果，尤其在高机器学习因子暴露的股票池中，风格因子的选股能力显著增强。
• 机器学习残差因子无风格偏好，但可与风格因子结合，提升投资组合的收益表现。

风险提示

• 海外市场波动风险
• 宏观数据与政策变化风险
• 模型失效风险

信息披露

• 分析师：肖承志，德邦证券研究所首席金融工程分析师，拥有6年证券研究经验，专注于市场择时、资产配置、量化与基本面选股。
• 研究助理：负责文献翻译与研究支持，协助完成模型训练与回测分析。

投资评级说明

法律声明

• 本报告仅供德邦证券客户使用，不构成投资建议。
• 报告内容基于公开信息，不保证其准确性或完整性。
• 报告内容不得擅自复制、转载或修改，需注明出处并获得书面授权。