量化策略系列之八：DFQ机器学习行业轮动模型

DFQ机器学习行业轮动模型 ——量化策略系列之八 研究结论 行业轮动的必要性 以基本面为主的行业轮动策略表现不佳：DFQ工业类行业轮动体系基于38个证监会二级行业构建，转化为中信一级行业后会损失较多信息。2020年以来top5行业组合年化超额仅为3.33%。 行业动量轮动策略近两年表现不佳：DFQ行业动量轮动策略2020年以来top5行业组合年化超额仅为3.68%，2023和2024年均未获正超额。 用机器学习选股因子合成行业因子 金融工程|专题报告 报告发布日期2024年11月19日 杨怡玲yangyiling@orientsec.com.cn 执业证书编号：S0860523040002 刘静涵021-63325888*3211 liujinghan@orientsec.com.cn 执业证书编号：S0860520080003香港证监会牌照：BSX840 将机器学习模型训练出的选股因子，按个股市值加权，合成为行业因子，进行行业轮动。vae、xgb模型的多头端top5行业组合整体表现较好，2020年以来top5行业组合年化超额收益可达10%以上。但由于模型的选行业能力只是选股的副产品，行业轮动因子是否有效很大程度上取决于运气，使用起来不够稳健。 DFQ遗传规划行业因子挖掘系统介绍 前期我们开发出了一套高效的DFQ遗传规划因子挖掘系统。模型主要有7点改进：提升初始种群质量，提升每代种群质量，提升每代产生的有效公式数量，避免公式膨胀，动态调整每代进化参数，降低挖掘因子的相关性，避免无效运算。 将DFQ遗传规划因子挖掘系统，迁移到行业上，挖掘行业因子。采用中信一级行业作为轮动标的。挖掘月频因子。采用滚动挖掘方式，每隔一年重新挖掘。训练集采用滑动窗口的方式，长度固定10年，每次向后挪一年。共设计145个特征，140个算子。使用20个路径下多头（top5）行业组合的月均超额收益的最小值作为适应度。 DFQ遗传规划行业因子挖掘系统效果分析 进行一轮15代完整挖掘用时5分钟左右。一轮完成后可产生5个左右适应度超过 0.5%，且互相间相关系数不超过50%的单因子。 2020-2024年用到的277个单因子中，60%的单因子样本外月均多头超额收益为正， 30%的单因子样本外月均多头超额收益超过0.5%。 单因子样本外易失效，频繁挖掘消耗算力。采用长周期挖掘，短周期加权的方法，可以显著提升合成因子表现。动态xgb加权方法下2020年以来top5行业组合年化超额收益11.10%，超额收益最大回撤10.28%，月度胜率61.40%，超额收益夏普比1.16。 DFQ机器学习行业轮动模型效果分析 通过遗传规划方法得到的行业因子，和其他四个由选股因子合成得到的行业因子，相关性非常低，因子值spearman相关性在0%附近。 将vae、xgb、gp三个行业因子等权合成，构建DFQ机器学习行业轮动模型。模型表现十分突出，能实现1+1>2的效果。2020年以来，top5行业组合年化超额收益达到18.42%，超额收益最大回撤7.76%，月度胜率66.67%，超额收益夏普比1.77。 行业轮动模型在指数增强组合中的应用 叠加行业轮动模型来调整行业暴露敞口，可以实现组合收益和稳定性的提升。对于沪深300指数增强组合提升尤其显著。相比于基础组合，年化超额收益可以提高2%，信息比从1.85提升到2.16，超额收益最大回撤从6.53%降低到6.12%。 风险提示 1.量化模型失效风险。 2.极端市场环境对模型的影响。 DFQ-XGB：基于树模型的alpha预测方 案：——因子选股系列之一〇七 DFQ-FactorVAE：融合变分自编码器和概率动态因子模型的alpha预测方案：——因子选股系列之一〇三 DFQ-HIST：添加图信息的选股因子挖掘系统：——因子选股系列之一百 周频多因子行业轮动模型：——量化策略研究之七 DFQ-TRA：多交易模式学习因子挖掘系统：——因子选股系列之九十七 DFQ强化学习因子组合挖掘系统：——因子选股系列之九十五 DFQ遗传规划价量因子挖掘系统：——因子选股系列之九十 行业动量的刻画：——《量化策略研究之六》 2024-08-15 2024-05-14 2024-02-07 2024-01-21 2023-11-14 2023-08-17 2023-05-28 2022-12-01 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 目录 一、行业轮动的必要性6 二、用机器学习选股因子合成行业因子9 三、DFQ遗传规划行业因子挖掘系统介绍12 3.1算法介绍12 3.2模型参数14 四、DFQ遗传规划行业因子挖掘系统效果分析16 4.1模型运行效率16 4.2单因子表现17 4.3合成因子表现24 4.4持仓情况28 4.5绩效归因30 五、DFQ机器学习行业轮动模型效果分析31 5.1模型相关性31 5.2合成因子表现31 5.3持仓情况33 5.4绩效归因35 六、行业轮动模型在指数增强组合中的应用36 6.1指数增强组合构建36 6.2指数增强组合表现36 七、总结39 风险提示39 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 图表目录 图1：29个中信一级行业在2020-2024年度的分年收益（按2024年涨跌幅排列，截止 2024.9.30）6 图2：DFQ工业类行业轮动体系6 图3：以基本面为主的行业轮动策略的绩效表现（2010.1.1-2024.9.30）7 图4：以基本面为主的行业轮动策略的分5组超额收益净值（2010.1.1-2024.9.30）7 图5：DFQ行业动量轮动体系8 图6：行业动量轮动策略的绩效表现（2010.1.1-2024.9.30）8 图7：行业动量轮动策略的分5组超额收益净值（2010.1.1-2024.9.30）9 图8：中证全指股票池各模型的因子模型收益分解汇总（2020.1.1-2024.6.30）9 图9：中证全指股票池各模型的因子模型收益分解汇总（2020年）9 图10：中证全指股票池各模型的因子模型收益分解汇总（2021年）10 图11：中证全指股票池各模型的因子模型收益分解汇总（2022年）10 图12：中证全指股票池各模型的因子模型收益分解汇总（2023年）10 图13：中证全指股票池各模型的因子模型收益分解汇总（2024年）10 图14：tra行业因子的绩效表现（2020.1.1-2024.9.30）11 图15：hist行业因子的绩效表现（2020.1.1-2024.9.30）11 图16：vae行业因子的绩效表现（2020.1.1-2024.9.30）11 图17：xgb行业因子的绩效表现（2020.1.1-2024.9.30）11 图18：DFQ遗传规划价量因子挖掘系统13 图19：DFQ遗传规划价量因子挖掘系统核心改进点13 图20：gp个股因子的绩效表现（2017.1.1-2024.9.30）14 图21：以2010.1.1-2019.11.30为训练集，挖掘出的符合适应度要求的单因子，样本外的绩效表现（2020.1.1-2024.9.30）14 图22：训练区间设置（2020.1.1-2024.9.30）14 图23：DFQ遗传规划行业因子挖掘系统某轮挖掘的运行信息（训练区间：2010.1.1-2019.11.30）16 图24：2020年单因子月均多头超额收益分布17 图25：2021年单因子月均多头超额收益分布17 图26：2022年单因子月均多头超额收益分布17 图27：2023年单因子月均多头超额收益分布17 图28：2024年单因子月均多头超额收益分布18 图29：2020-2024年单因子月均多头超额收益分布18 图30：每年单因子中运算符出现的次数18 图31：2020年F15的绩效表现&分5组超额收益净值&分5组年化超额收益19 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 图32：2020年F41的绩效表现&分5组超额收益净值&分5组年化超额收益19 图33：2021年F32的绩效表现&分5组超额收益净值&分5组年化超额收益20 图34：2021年F27的绩效表现&分5组超额收益净值&分5组年化超额收益20 图35：2022年F70的绩效表现&分5组超额收益净值&分5组年化超额收益21 图36：2022年F53的绩效表现&分5组超额收益净值&分5组年化超额收益21 图37：2023年F40的绩效表现&分5组超额收益净值&分5组年化超额收益22 图38：2023年F65的绩效表现&分5组超额收益净值&分5组年化超额收益22 图39：2024年F10的绩效表现&分5组超额收益净值&分5组年化超额收益23 图40：2024年F4的绩效表现&分5组超额收益净值&分5组年化超额收益23 图41：DFQ遗传规划行业因子挖掘模型的绩效表现（等权，2020.1.1-2024.9.30）25 图42：DFQ遗传规划行业因子挖掘模型的分5组超额收益净值&年化超额收益（等权， 2020.1.1-2024.9.30）25 图43：DFQ遗传规划行业因子挖掘模型的绩效表现（单次弹性网络回归加权，2020.1.1-2024.9.30）25 图44：DFQ遗传规划行业因子挖掘模型的分5组超额收益净值&年化超额收益（单次弹性网络回归加权，2020.1.1-2024.9.30）25 图45：DFQ遗传规划行业因子挖掘模型的绩效表现（单次xgb加权，2020.1.1-2024.9.30）26 图46：DFQ遗传规划行业因子挖掘模型的分5组超额收益净值&年化超额收益（单次xgb加权， 2020.1.1-2024.9.30）26 图47：DFQ遗传规划行业因子挖掘模型的绩效表现（动态xgb加权，2020.1.1-2024.9.30）26 图48：DFQ遗传规划行业因子挖掘模型的分5组超额收益净值&年化超额收益（动态xgb加权， 2020.1.1-2024.9.30）26 图49：2020年动态xgb加权每个月的特征重要性27 图50：2021年动态xgb加权每个月的特征重要性27 图51：2022年动态xgb加权每个月的特征重要性27 图52：2023年动态xgb加权每个月的特征重要性27 图53：2024年动态xgb加权每个月的特征重要性27 图54：DFQ遗传规划行业轮动模型的top5行业组合持仓统计（2020.1.1-2024.9.30）28 图55：DFQ遗传规划行业轮动模型的top5行业组合今年以来持仓明细（2024.1.1-2024.9.30） ...................................................................................................................................................29 图56：东方A股因子风险模型（DFQ-2020）--风格因子列表30 图57：DFQ遗传规划行业轮动模型的top5行业组合的平均相对风格暴露（2020.1.1-2024.9.30）30 图58：不同行业因子的相关性（2020.1.1-2024.9.30）31 图59：不同行业因子的绩效表现（2020.1.1-2024.9.30）31 图60：DFQ机器学习行业轮动模型的绩效表现（2020.1.1-2024.9.30）32 图61：DFQ机器学习行业轮动模型的分5组超额收益净值&年化超额收益（2020.1.1-2024.9.30）32 图62：DFQ机器学习行业轮动模