【中信建投金融工程】xgboost中证500指数增强模型今年累计超额收益8%——人工智能月报(2020年5月)-中信建投工作两年后新员工的发展

 

原标题：【中信建投金融工程】xgboost中证500指数增强模型今年累计超额收益8%——人工智能月报(2020年5月)

重要提示：通过本订阅号发布的观点和信息仅供中信建投证券股份有限公司（下称“中信建投”）客户中符合《证券期货投资者适当性管理办法》规定的机构类专业投资者参考。因本订阅号暂时无法设置访问限制，若您并非中信建投客户中的机构类专业投资者，为控制投资风险，请您取消关注，请勿订阅、接收或使用本订阅号中的任何信息。对由此给您造成的不便表示诚挚歉意，感谢您的理解与配合！

主要观点

xgboost模型模仿人类思考进行“补充式”学习模式

xgboostxgboost模型是一种强学习模型，其是由众多弱学习模型集成，其采用弱学习模型为CART，即分类与回归树。该模型重在拟合特征和标签间的非线性关系。组成该模型的众多弱学习器之间的关系是补充弥补的关系，弱学习器的训练有先后，每个新的弱学习器的学习目标都是之前已训练好的弱学习器的残差。人类从假设检验、错误中分析学习的过程与此模型反应总结的方式相似。

xgboost模型构建单因子能够提供增量非线性信息

单因子的构建方式如下：将截面股票按照下月收益率排序分为2类，用xgboost分类模型进行拟合，模型预测的类别及预测概率经过映射函数得到xgboost因子，因子值越高表示股票下月预测收益率越高，经过单因子测试发现，其年化多空收益35%，月度IC均值达13%，胜率94%，和其他因子的相关性均不超过50%。

中证500指数增强模型历史收益

将截面股票按照下月收益率横截面排序从高到低等分为2类，收益最高的一类打上标签为1，收益最低的一类打上标签0。月度换仓，年度调模型。从2011年以来，模型累计超额收益340%，年化超额收益14%，信息比率1.9，月度跟踪误差2%，最大回撤7%，月度胜率74% 。

中证500指数增强模型5月收益

模型5月超额收益0.4%，今年以来（截止5月底）超额收益8%。

综合来看，我们重点推荐将xgboost算法应用于中证500指数增强，也建议重点关注xgboost中证500指数增强模型6月组合。

一）Xgboost模型原理及构建单因子

1.1、理论基础

首先，我们定义最后要优化的目标函数：

1.2、单因子构建

将截面股票按照下月收益率排序分为2类，用xgboost分类模型进行拟合，模型预测的类别及预测概率经过映射函数得到xgboost因子，因子值越高表示股票下月预测收益率越高，经过单因子测试发现，其年化多空收益35%，月度IC均值达13%，胜率94%，具体结果如下图：

二）Xboost中证500指数增强组合表现跟踪

2.1、收益表现跟踪

数据覆盖时间为2007年初至2020年4月底，我们以滚动4年的数据拟合模型，来预测未来1年的结果，基于预测结果构建xgboost中证500指数增强模型组合，股票池为中证500指数成分股，基准为中证500指数。

因子数据预处理与传统多因子模型因子处理一致，按照下月收益率排序把截面股票等分为2类，从小到大依次打上0到1的标签，如下月收益率最高的1/2股票标签为1，下月收益率最低的1/2股票标签为0。拟合模型后，对测试集的股票预测其下月收益率所属的收益类别，1类选取其中预测概率最大的前50只股票构成增强组合。

以下是xgboost中证500指数增强模型自2011年以来的历史收益表现。

2.2、因子重要性

从因子重要性的角度来看，平均下来对模型重要性贡献最大的是1个月特质波动率因子，特质波动率类因子在模型中的重要性较高，总占比达16.5%，大类因子里波动率、换手率、市值因子重要性最高。

2.3、下月组合明细

以下是2020年6月份xgboost中证500指数增强组合持仓明细（按照预测概率从大到小排序，即从上到下、从左到右预测概率减小）。

三）总结

总体来看，xgboost算法在指数增强模型应用方面，中证500指数增强效果较好，其中5月份xgboost中证500指数增强组合超额收益0.4%，2020年截止5月底累计超额收益8%。历史来看，除2016年中到2018年中时间段外，其余时间段模型表现效果良好。建议重点关注xgboost中证500指数增强模型6月组合。

证券研究报告名称：《xgboost中证500指数增强模型月超额收益0.4%，今年累计超额收益8%——人工智能月报(2020年5月) 》

对外发布时间：2020年6月4日

免责声明返回搜狐，查看更多

责任编辑：