德邦金工选股月报——第二十一期

证券分析师 金融工程月报 德邦金工选股月报 第二十一期（20231009） 肖承志 资格编号：S0120521080003 邮箱：xiaoczteboncomcn 研究助理 王治舜 邮箱：wangzsteboncomcn 相关研究 1《德邦金工选股月报》第二十期（20230904） 2《德邦金工选股月报》第十九期（20230807） 3《德邦金工选股月报》第十八期（20230703） 4《德邦金工选股月报》第十七期（20230605） 5《德邦金工选股月报》第十六期（20230508） 6《德邦金工选股月报》第十五期（20230403） 7《德邦金工选股月报》第十四期（20230305） 8《德邦金工选股月报》第十三期（20230206） 9《德邦金工选股月报》第十二期（20230109） 10《德邦金工选股月报》第十一期（20221205） 证券研究报告金融工程月报 2023年10月08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20230928，投资组合的净值为264。样本外跟踪起始于 20220207，样本外跟踪的累计超额收益为631。 我们对上期持仓收益进行了归因。从20230904至20230928，期间组合取得收益168，同期基准的收益为193，超额收益为025。其中风格贡献008，行业贡献028，其余006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0019，RankICIR为0284。 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RankIC为0042，RankICIR为0643。 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006，RankICIR为0961。 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0056，RankICIR为0872。 本文给出20231009的持仓，下次调仓将发生在20231106。本期新调入股票75 只，新调出股票75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6 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0019，RankICIR为0284。 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0042，RankICIR为0643。 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006，RankICIR为0961。 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0056，Rank ICIR为0872。 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二十一期，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20230904。从20230904至20230928，期间组合取得收益168，同期基准的收益为193，超额收益为025。自20220207样本外跟踪以来，累计实现超额收益631。 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，风格贡献008，行业贡献028，其余006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 00826 007 账面市值比 02866 003 贝塔 00328 000 流动性 02007 020 动量 00158 001 盈利 01315 003 残差波动率 00753 006 成长 00785 002 非线性市值 00239 001 杠杆 00404 000 合计 008 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 037 000 煤炭 131 003 传媒 027 001 电力及公用事业 103 002 农林牧渔 114 004 电力设备及新能源 484 003 医药 514 036 电子 406 006 商贸零售 065 001 石油石化 075 002 国防军工 245 001 纺织服装 000 000 基础化工 453 007 综合 065 001 家电 067 000 综合金融 006 000 建材 025 001 计算机 284 006 建筑 021 001 轻工制造 007 000 房地产 128 006 通信 031 002 有色金属 250 007 钢铁 026 001 机械 333 001 银行 089 002 汽车 135 001 非银行金融 035 000 消费者服务 017 001 食品饮料 126 004 合计 028 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 74 118 基准年化收益率755 200 174 373 257 194 205 216 44 01 超额年化收益率663 71 79 66 119 124 101 105 30 117 策略年化波动率555 350 176 260 243 263 177 258 158 300 基准年化波动率462 317 162 248 249 273 189 252 144 276 超额年化波动率119 45 29 32 35 47 66 39 60 59 策略夏普比率rf22517 0426 0654 1258 1463 1132 1613 0509 0593 0325 基准夏普比率rf21588 0695 1191 1582 0951 0637 0978 0936 0444 0071 信息比率5557 1567 2749 2064 3423 2649 1535 2699 0498 1986 月胜率833 667 917 833 750 750 583 750 333 724 策略最大回撤514 268 186 364 172 139 95 290 194 552 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 20230921 20181018 基准最大回撤531 269 200 423 222 157 112 340 168 723 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 20230825 20181018 超额最大回撤70 23 16 13 22 26 39 28 70 77 超额最大回撤起始20150810 20160216 2017010