金工: 机器学习选股模型的调仓频率实证

来源: 发布时间:2019-04-10 14:48:19

  发布时间:2019年4月9日

  研究员:林晓明、陈烨

  核心观点

  周频调仓XGBoost模型表现最好,需要借助组合优化来控制模型换手率

  2017年以来,月频调仓的机器学习模型超额收益指标明显下滑。本文根据理论分析,认为可以通过加快调仓频率来提升机器学习选股模型的表现。在实证中,本文对比了三种调仓频率的XGBoost模型,周频调仓XGBoost表现最好。此外,对于周频调仓XGBoost来说,需要使用组合优化来控制换手率才能达到最优的回测结果。最后,本文测试了周频调仓XGBoost在不同交易成本下的表现,投资者可以参考不同交易成本下的回测结果来设计调仓方案。

  根据理论分析,可以通过加快调仓频率来提升机器学习选股模型的表现

  2017年以来,月频调仓的机器学习模型超额收益指标明显下滑。本文计算了XGBoost模型的月度RankIC均值, 2017年之后,其月度RankIC均值出现下滑,可能原因之一是2017年以后A股市场变得更加有效,月频调仓的模型面临挑战。根据Richard Grinold提出的公式IR=IC√BR,在IC(信息系数)下滑的情况下,为了达到给定的IR(信息比率)水平,一个可行的方法就是增大BR(投资策略的广度),增大BR有两种方法,一是增加投资组合中资产的数目,二是加快调仓频率,本文测试了加快调仓频率的方法,得到了更优的回测结果。

  本文对比了三种调仓频率的XGBoost模型,周频调仓XGBoost表现最好

  本文对比了以下三个模型:(1)月频调仓XGBoost;(2)半月频调仓XGBoost;(3) 周频调仓XGBoost。我们构建了相对于中证500的行业、市值中性全A选股策略并进行回测(交易成本为双边0.4%)。当回测期为20110131~20190329时,对于年化超额收益率、超额收益最大回撤、信息比率和Calmar比率,周频XGBoost都表现最好。2017年以来,月频XGBoost在每月后半月的超额收益增长率表现欠佳,加快调仓频率可以较大提升模型在后半月的超额收益增长率,且有助于平滑模型在整个月内的超额收益增长率分布并平摊交易成本。

  对于较高调仓频率的模型,使用组合优化来控制换手率很有必要

  本文测试了半月频XGBoost和周频XGBoost在更高换手率情况下的回测结果(交易成本为双边0.4%)。当回测期为20110131~20190329时,周频XGBoost在年均双边换手率为23.91倍时表现最好,其年化超额收益率为21.02%,超额收益最大回撤为3.98%,信息比率为3.86,Calmar比率为5.28。半月频XGBoost在年均双边换手率为24.64倍时表现最好,两个模型在不控制换手率时都达到了很高的年均双边换手率(周频XGBoost为59.63倍,半月频XGBoost为32.96倍),而且回测结果表现都不佳。所以对于较高调仓频率的模型来说,使用组合优化来控制换手率很有必要。

  本文测试了周频调仓XGBoost在不同交易成本下的表现

  对于具有较高换手率的策略来说,交易成本是一个不可忽视的问题,本文选取周频XGBoost模型,测试了其在不同交易成本(双边0.3%,0.4%,0.6%,1%)下的表现。周频XGBoost相比于月频XGBoost,回测超额收益有显着提升,但需要注意的是调仓频率越高,对交易水平的要求也越高,投资者可以参考不同交易成本下的回测结果来设计调仓方案。

  风险提示:较高的调仓频率对交易水平、市场流动性有一定要求,极端情况下可能造成过高交易成本。通过人工智能模型构建的选股策略是历史经验的总结,存在失效的可能。人工智能模型可解释程度较低,使用须谨慎。

相关热词搜索: 换手率 模型

相关新闻