猜你想问
广发金工机器学习选股手册主要讲什么内容？
这份手册聚焦量化选股领域的机器学习及神经网络方法，涵盖5个核心流程，适用于公募、私募、保险资管，可用于指数增强、多因子策略。内容涉及主流选股模型对比、特征数据准备与筛选、特征处理、损失函数选择以及预测目标设定等关键环节，旨在为投资者提供系统化的机器学习选股分析框架。
当前量化选股行业的发展趋势如何？
当前量化选股行业正加速拥抱机器学习方法，尽管机器学习选股方法存在无解释性的核心缺陷，但已成为行业发展趋势。主流模型分为树模型（如随机森林、GBDT）和神经网络（如Transformer、RNN、TCN），其中树模型具备一定可解释性，适合手工量价因子；神经网络擅长处理长时序信息，在原始量价因子下表现更优。行业正从特征中性化转向保留原始阿尔法信号，更注重模型对市场特定阶段的适应性。
报告重点分析了哪些选股方向？
报告重点分析了机器学习选股的核心流程与关键细节，包括158个量价阿尔法因子、基本面因子（估值、成长、质量等）的整合运用，采用SHAP方法进行特征筛选，强调整体标准化处理以保留时序信息，并采用排序学习损失（DCG）优化多头前N只股票排序准确性。此外，报告还探讨了截面上标准化处理相对原始收益率的优势，以及10-40天预测周期的适用性，为投资者构建机器学习选股模型提供具体操作指导。
当前市场环境下，量化选股策略的表现如何？
根据报告分析，沪深300指数增强策略在月度调仓、双边千三费率下，样本外超额收益约10%，超额回撤约5%，信息比率约2.23，但在政策调整、行业抱团时表现不佳。中证500指增超额收益约8%，超额回撤约10%，因子拥挤度较高，实际操作难度较大。中证1000指增因中小票误定价机会多，表现相对更优，更适合机器学习模型选股。整体而言，不同指数增强策略的市场适配性存在差异，需结合具体市场环境进行策略调整。
投资机器学习选股策略需注意哪些风险？
投资机器学习选股策略需注意以下风险：一是模型无解释性风险，机器学习模型可能产生难以解释的选股逻辑，导致策略透明度不足；二是模型过拟合风险，树模型和神经网络均需防范过拟合问题，特别是在手工量价因子下；三是市场适应性风险，策略表现可能受市场环境变化影响，如政策调整或行业抱团可能导致策略跑输指数；四是特征数据质量风险，特征数据准备与处理过程中需严格防范数据泄露问题，确保模型训练的稳健性。