德邦金工选股月报——第十六期

证券分析师 金融工程月报 德邦金工选股月报 第十六期（20230508） 肖承志 资格编号：S0120521080003 邮箱：xiaoczteboncomcn 研究助理 相关研究 1《德邦金工选股月报》第十五期（20230403） 2《德邦金工选股月报》第十四期（20230305） 3《德邦金工选股月报》第十三期（20230206） 4《德邦金工选股月报》第十二期（20230109） 5《德邦金工选股月报》第十一期（20221205） 6《德邦金工选股月报》第十期 （20221107） 7《德邦金工选股月报》第九 （20221010） 8《德邦金工选股月报》第八期 （20220905） 9《德邦金工选股月报》第七期 （20220801） 10《德邦金工选股月报》第六期 （20220704） 证券研究报告金融工程月报 2023年05月07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。 自20150105至20230505，投资组合的净值为281。样本外跟踪起始于 20220207，样本外跟踪的累计超额收益为49。 我们对上期持仓收益进行了归因。从20230403至20230505，期间组合取得收益534，同期基准的收益为443，超额收益为09。其中风格贡献025，行业贡献031，其余034由因子特质选股能力贡献。 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0023，RankICIR为0376。 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0046，RankICIR为0746。 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。因子的样本期平均RankIC为0063，RankICIR为1056。 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，以这两个策略的因子的等权和为选股因子。因子的样本期平均RankIC为0059，RankICIR为0978。 本文给出20230508的持仓，下次调仓将发生在20230605。本期新调入股票 110只，新调出股票110只，调仓后组合共计持有股票200只。 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 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 21策略一：十因子机器学习残差因子4 22策略二：十五因子机器学习残差因子4 23策略三：十五因子机器学习反转因子5 24策略四：复合因子5 3投资组合跟踪6 31股票筛选方法6 32投资组合表现6 33超额收益归因7 34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 21策略一：十因子机器学习残差因子 用风格因子加权线性回归股票收益率： 1 其中，为风格因子的拟合系数，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，在全市场中的平均RankIC为0023，RankICIR为0376。 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 22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，在全市场中的平均RankIC为0046，RankICIR为0746。 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 23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和五个财务因子XTT的函数，拟合的残差为，将拟合残差取相反数后进行风格中性 化处理，见式（2）。 2 因子各期RankIC的时间序列见图3，在全市场中的平均RankIC为0063，RankICIR为1056。 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 24策略四：复合因子 将策略二和策略三的选股因子分别求zscore值，再求和，便得到复合因子。 因子各期RankIC的时间序列见图，在全市场中的平均RankIC为0059，RankICIR为0978。 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 31股票筛选方法 本报告是选股月报的第十六期，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。 32投资组合表现 上一期调仓日期为20230403。20230403至20230505期间，组合取得收益534，同期基准的收益为443，超额收益为09。自20220207样本外跟踪以来，累计实现超额收益49。 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 33超额收益归因 本期的超额收益中，其中风格贡献025，行业贡献031，其余034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。 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 05332 038 账面市值比 00194 004 贝塔 01083 010 流动性 03309 062 动量 02969 072 盈利 01196 005 残差波动率 03589 022 成长 01591 007 非线性市值 04759 007 杠杆 00579 002 合计 025 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 006 000 煤炭 103 003 传媒 180 034 电力及公用事业 204 003 农林牧渔 242 005 电力设备及新能源 326 005 医药 005 000 电子 292 012 商贸零售 007 000 石油石化 132 002 国防军工 174 002 纺织服装 092 001 基础化工 191 009 综合 038 002 家电 032 000 综合金融 039 001 建材 113 002 计算机 529 013 建筑 075 006 轻工制造 149 005 房地产 078 002 通信 089 001 有色金属 244 001 钢铁 027 000 机械 673 003 银行 074 002 汽车 273 012 非银行金融 086 003 消费者服务 280 004 食品饮料 216 000 合计 031 资料来源：Wind，德邦研究所 34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 1417 129 95 307 376 318 306 111 24 132 基准年化收益率 755 200 174 373 257 194 205 216 188 11 超额年化收益率 663 71 79 66 119 124 101 105 164 121 策略年化波动率 555 350 176 260 243 263 177 257 150 305 基准年化波动率 462 317 162 248 249 273 189 252 135 280 超额年化波动率 119 45 29 32 35 47 66 40 67 59 策略夏普比率rf2 2517 0426 0654 1258 1463 1132 1613 051 0025 0368 基准夏普比率rf2 1588 0695 1191 1582 0951 0637 0978 0936 1241 003 信息比率 5557 1567 2749 2064 3423 2649 1535 2646 2455 2038 月胜率 833 667 917 833 750 750 583 750 200 733 策略最大回撤 514 268 186 364 172 139 95 290 113 552 策略最大回撤起始 20150612 20160106 20170316 20180108 20190404 20200305 20210909 20220104 20230213 20150612 策略最大回撤终止 20150915 20160128 20170601 20181018 20190606 20200323 20211028 20220426 20230425 20181018 基准最大回撤 531 269 200 423 222 157 112 340 65 723 基准最大回撤起始 20150612 20160106 20170105 20180108 20190404 20200225 20210105 20220104 20230215 20150612 基准最大回撤终止 20150915 20160128 20171225 20181018 20190809 20200401 20210205 20220426 20230425 20181018 超额最大回撤 70 23 16 13 22 26 39 28 62 70 超额最大回撤起始 20150810 20160216 20170104 20180725