金工选股月报：第十四期

证券分析师 金融工程月报 德邦金工选股月报 ——第十四期（2023.03.05） 肖承志 资格编号：S0120521080003 邮箱：xiaocz＠tebon.com.cn 研究助理 相关研究 1.《德邦金工选股月报》—第十三期（2023.02.06） 证券研究报告|金融工程月报 2023年03月05日 投资要点： 本文跟踪四个选股策略和一个投资组合。每个选股策略都给出相应的横截面因子值，考察策略时，我们重点考察因子在全市场的RankIC。考察投资组合时，我们考察组合的回报、风险等各类指标。 本文以尽可能接近真实投资的方式跟踪策略和组合。随着时间的推进，我们可能对策略进行迭代。每一期，我们选用当期最看好的策略给出持仓，即使选用的策略发生变化，历史持仓也不可更改。 2. 《德邦金工选股月报》—第十二期（2023.01.09）  自2015.01.05至2023.03.03，投资组合的净值为3.07。样本外跟踪起始于2022.02.07，样本外跟踪的累计超额收益为8.8%。 3. 《德邦金工选股月报》—第十一期（2022.12.05）  我们对上期持仓收益进行了归因。从2023.02.06至2023.03.03，期间组合取得收益-0.47%，同期基准的收益为1.11%，超额收益为-1.58%。其中风格贡献-0.92%， 4. 《德邦金工选股月报》—第十期（2022.11.07） 行业贡献0.18%，其余-0.84%由因子特质选股能力贡献。 5. 《德邦金工选股月报》—第九（2022.10.10）  策略一根据十因子的机器学习残差因子选股。该策略以最近期的CNE5的十个风格因子为依据，计算选股因子。因子的样本期平均RankIC为0.025，RankICIR为0.414。 6. 《德邦金工选股月报》—第八期（2022.09.05）  策略二根据十五因子的机器学习残差因子选股。该策略以最近期的十个风格因子 7. 《德邦金工选股月报》—第七期（2022.08.01） 与五个财务类因子作为依据，计算选股因子。因子的样本期平均0.048，RankICIR为0.788。 8. 《德邦金工选股月报》—第六期  策略三根据十五因子的机器学习反转因子选股。该策略以上个月的十个风格因子 （2022.07.04） 与五个财务因子，以及从上个月到本月的各个股票收益率为依据，计算选股因子。 9. 《德邦金工选股月报》—第五期 因子的样本期平均RankIC为0.065，RankICIR为1.144。 （2022.06.06）  策略四根据十五因子的复合因子选股。该策略综合了策略二与策略三，以这两个 10. 《德邦金工选股月报》—第四期 策略的因子的等权和为选股因子。因子的样本期平均RankIC为0.061，RankICIR （2022.05.09） 为1.047。 11. 《德邦金工选股月报》—第三期（2022.04.11）  本文给出2023.03.06的持仓，下次调仓将发生在2023.04.03。本期新调入股票63只，新调出股票63只，调仓后组合共计持有股票200只。 12. 《德邦金工选股月报》—第二期（2022.03.07）  风险提示：市场风格变化风险，模型失效风险，数据测算误差风险 13. 《德邦金工选股月报》—第一期（2022.02.07） 请务必阅读正文之后的信息披露和法律声明 内容目录 1.前言4 2.选股策略跟踪4 2.1.策略一：十因子机器学习残差因子4 2.2.策略二：十五因子机器学习残差因子4 2.3.策略三：十五因子机器学习反转因子5 2.4.策略四：复合因子5 3.投资组合跟踪6 3.1.股票筛选方法6 3.2.投资组合表现6 3.3.超额收益归因7 3.4.分年度表现7 4.本期持仓8 5.风险提示10 信息披露11 图表目录 图1：十因子机器学习残差因子的全市场RankIC4 图2：十五因子机器学习残差因子的全市场RankIC5 图3：十五因子机器学习反转因子的全市场RankIC5 图4：复合因子的全市场RankIC6 图5：投资组合表现6 表1：因子平均主动暴露及年化超额收益率贡献7 表2：行业平均主动暴露及年化超额收益率贡献7 表3：策略分年度表现8 表4：新调入的股票列表9 表5：新调出的股票列表9 表6：保持上期持仓的股票10 1.前言 本系列报告跟踪多个不同的选股策略和单个投资组合。我们以尽可能接近真实投资的方式进行跟踪。随着时间的推进，我们可能会对选股策略进行完善甚至增删，但这并不影响我们给出的投资组合跟踪是样本外的。在每一期，我们总是选择一个我们最看好的策略来给出当期的股票持仓，并持有到下一个月。 2.选股策略跟踪 2.1.策略一：十因子机器学习残差因子 用风格因子𝐵𝑇−Δ�加权线性回归股票收益率𝑅𝑇： 𝑅�=𝐵𝑇−Δ�∙𝑏�+𝜀𝑇,(1) 其中，𝑏�为风格因子的拟合系数，𝜀�为股票的特质收益率。用机器学习模型拟合特质收益率关于十个风格因子𝐵𝑇−Δ�的函数，将该函数作用于最近一期的风格因子上，然后将得到函数值进行风格中性化处理，便得到基于十因子的机器学习残差因子。我们在研报《德邦金工机器学习专题之一》中对策略一进行了详细的描述。因子各期RankIC的时间序列见图1，平均RankIC为0.025，RankICIR为0.414。 图1：十因子机器学习残差因子的全市场RankIC 资料来源：Wind，德邦研究所 2.2.策略二：十五因子机器学习残差因子 与策略一类似，用机器学习模型拟合特质收益率关于十个风格因子和五个财务因子的函数，将该函数作用于最近一期的风格和财务因子上，然后将得到函数值进行风格中性化处理，便得到基于十五因子的机器学习残差因子。我们在研报 《德邦金工机器学习专题之三》中对策略二，以及下文中的策略三、策略四进行了详细的描述。因子各期RankIC的时间序列见图2，平均RankIC为0.048，RankICIR为0.788。 图2：十五因子机器学习残差因子的全市场RankIC 资料来源：Wind，德邦研究所 2.3.策略三：十五因子机器学习反转因子 � 同策略二，用机器学习模型拟合特质收益率关于十个风格因子𝐵𝑇−Δ�和五个财务因子XT−ΔT的函数，拟合的残差为𝜀′，将拟合残差取相反数后进行风格中性 化处理，见式（2）。 −𝜀′=𝐵𝑇−Δ�∙𝑏′+𝜖𝑇,(2) �� 因子各期RankIC的时间序列见图3，平均RankIC为0.065，RankICIR为 1.144。 图3：十五因子机器学习反转因子的全市场RankIC 资料来源：Wind，德邦研究所 2.4.策略四：复合因子 将策略二和策略三的选股因子分别求z-score值，再求和，便得到复合因子。 因子各期RankIC的时间序列见图4，平均RankIC为0.061，RankICIR为1.047。 图4：复合因子的全市场RankIC 资料来源：Wind，德邦研究所 3.投资组合跟踪 3.1.股票筛选方法 本报告是选股月报的第十四期，本期选用策略四进行选股。我们在剔除调仓日涨停、暂停交易、ST、*ST以及上市不满20个交易日的股票后，根据因子值在中证1000指数成分内选200只股票。在调仓日，投资组合中持有的各个股票的市值权重相等。 3.2.投资组合表现 上一期调仓日期为2023-02-06。2023-02-06至2023-03-03期间，组合取得收益-0.47%，同期基准的收益为1.11%，超额收益为-1.58%。自2022.02.07样本外跟踪以来，累计实现超额收益8.8%。 图5：投资组合表现 资料来源：Wind，德邦研究所注：基准是中证1000指数 3.3.超额收益归因 本期的超额收益中，其中风格贡献-0.92%，行业贡献0.18%，其余-0.84%由因子特质选股能力贡献。虽然选股因子在全市场意义下与各风格因子线性无关，仍然有两个因素导致组合并非完全风格中性：第一，全市场分组的结果与中证1000指数成分股取交集后使得风格发生偏移；第二，我们构造的投资组合中各个股票权重相等，而中证1000指数各成分股权重不等。组合的风格主动暴露和超额收益见表1。本期，风格贡献的为负。 表1：因子平均主动暴露及年化超额收益率贡献 因子 主动暴露 主动回报 因子 主动暴露 主动回报 对数市值 -0.4595 0.08% 账面市值比 -0.0179 -0.02% 贝塔 -0.4421 -0.04% 流动性 0.4610 -0.57% 动量 0.4070 0.08% 盈利 -0.182 -0.08% 残差波动率 0.3084 -0.34% 成长 -0.0705 0.01% 非线性市值 -0.4896 -0.03% 杠杆 -0.0093 0.00% 合计 -0.92% 资料来源：Wind，德邦研究所 组合的行业主动暴露和超额收益见表2。组合在行业上相对于基准是中性的，故几乎没有行业暴露带来的超额收益。 表2：行业平均主动暴露及年化超额收益率贡献 行业 主动暴露 主动回报 行业 主动暴露 主动回报 交通运输 -1.54% 0.02% 煤炭 -0.09% 0.00% 传媒 -1.49% -0.05% 电力及公用事业 -0.35% 0.00% 农林牧渔 3.90% -0.04% 电力设备及新能源 -0.98% 0.01% 医药 2.59% 0.02% 电子 -0.42% 0.00% 商贸零售 2.57% -0.01% 石油石化 0.31% 0.00% 国防军工 -3.23% -0.13% 纺织服装 1.41% 0.05% 基础化工 -4.16% 0.05% 综合 0.11% 0.00% 家电 1.34% 0.04% 综合金融 -0.38% -0.01% 建材 -0.03% 0.00% 计算机 -4.28% -0.13% 建筑 1.26% 0.02% 轻工制造 1.98% 0.04% 房地产 1.62% -0.04% 通信 -0.91% -0.05% 有色金属 -3.91% 0.13% 钢铁 0.19% 0.00% 机械 2.75% 0.00% 银行 -0.77% 0.04% 汽车 -0.46% 0.01% 非银行金融 -0.89% 0.02% 消费者服务 4.79% 0.23% 食品饮料 -0.94% -0.03% 合计 0.18% 资料来源：Wind，德邦研究所 3.4.分年度表现 投资组合的分年度表现见表3。其中，最后一列是2015年初至今的总体表现。 表3：策略分年度表现 2015 2016 2017 2018 2019 2020 2021 2022 2023 全部 策略年化收益率 141.7% -12.9% -9.5% -30.7% 37.6% 31.8% 30.6% -11.1% 79.5% 14.7% 基准年化收益率 75.5% -20.0% -17.4% -37.3% 25.7% 19.4% 20.5% -21.6% 89.9% 1.7% 超额年化收益率 66.3% 7.1% 7.9% 6.6% 11.9% 12.4% 10.1% 10.5% -10.4% 13.0% 策略年化波动率 55.5% 35.0% 17.6% 26.0% 24.3% 26.3% 17.7% 25.8% 11.8% 30.7% 基准年化波动率 46.2% 31.7% 16.2% 24.8% 24.9% 27.3% 18.9% 25.2% 11.8% 28.3% 超额年化波动率 11.9% 4.5% 2.9% 3.2% 3.5% 4.7% 6.6% 3.9% 4.4% 5.9% 策略夏普比率(rf=2%) 2.517 -0.426 -0.654 -1.258 1.463 1.132 1.613 -0.509 6.546 0.414 基准夏普比率(rf=2%) 1.588 -0.695 -1.191 -1.582