系统化资产配置系列之三：基于AdaBoost机器学习算法的市场短期择时策略

请务必阅读正文之后的信息披露和重要声明 定量研究 专题报告 证券研究报告 分析师： 于明明 yumingming@xyzq.com.cn S0190514100003 ＃assAuthor＃研究助理： 宫民 gongmin@xyzq.com.cn S0190119020038 报告关键点 本篇是系统化资产配置系列报告的第三篇，对如何利用机器学习算法进行短期市场择时进行了系统介绍。本报告中，我们将股市未来的涨和跌定义为一个分类问题，利用机器学习算法来对 Wind 全 A 指数的未来涨跌建模。基于决策树的 AdaBoost 算法解决了构建择时模型面临的多个问题，它实现了：1.有效因子的自动筛选。2.非线性因子的建模。3.通过自适应调整样本权重解决因子相关性问题。4.不易过拟合，模型较稳健。最后，我们通过叠加水晶球择时模型，充分利用期权市场信息，形成了表现更加出色的双塔奇兵择时模型。 ＃relatedReport＃相关报告 《系统化资产配置系列之二：行业的重新分类以及行业轮动策略》2019-09-19 《跨资产的系统性配置策略之一：另类风险溢价的分类以及系 统化的配置方法》2019-06-28 《抽丝剥茧，去芜存菁：水晶球择时模型之 3.0》2018-09-26 团队成员： 投资要点 ＃summary＃本篇是系统化资产配置系列报告的第三篇，对如何利用机器学习算法进行短期市场择时进行了系统介绍。全球金融市场每天产生海量的各类数据，如何筛选并有效利用这些数据来预测股票市场走势一直是一个重要但棘手的问题。短期择时面临的主要困难包括：1.短期市场走势受情绪等因素影响较大；2.如何筛选有效因子；3.非线性因子如何建模；4.因子相关性问题如何解决；5.因子较多时如何避免过拟合等。幸运的是，机器学习技术的发展给我们提供了一条有效利用并筛选大量因子数据的途径。本报告中，我们将股市未来的涨和跌定义为一个分类问题，利用机器学习算法来对 Wind 全 A 指数的未来涨跌建模。我们利用 51 种日频因子数据构建基于决策树的 AdaBoost 分类器，从而对下一交易日 Wind 全 A 指数的涨（1）跌（-1）做出预测。51 种因子中包含回购利率，信用利差、南华商品指数收益率、金油比、标普 500 指数等多种类型的市场信息。回测结果显示，若不考虑交易成本，滚动测算的AdaBoost 多空择时策略在 2014 年 10 月 27 日至 2019 年 8 月 30 日获得了41.31%的年化收益率和 1.41 的收益风险比，纯多头策略的年化收益率达到 24.67%，收益风险比达到 0.98，而同期简单持有策略的年化收益率和收益风险比仅有 7.66%和 0.26。基于决策树的 AdaBoost 算法解决了构建择时模型面临的多个问题，它实现了：1.有效因子的自动筛选。2.非线性因子的建模。3.通过自适应调整样本权重解决因子相关性问题。4.不易过拟合，模型较稳健。最后，我们通过叠加水晶球择时模型，充分利用期权市场信息，形成了表现更加出色的双塔奇兵择时模型。在单边万五的交易成本假设下，多空策略在 2015 年 6 月 1 日至 2019 年 8 月 30 日实现了 15.90%的年化收益率和0.72 的收益风险比，纯多头策略年化收益率和收益风险比也分别达到13.16%和 0.70，而同期 Wind 全 A 收益率仅有-11.18%。风险提示：结论基于历史数据，在市场环境转变时模型存在失效的风险。 ＃title＃系统化资产配置系列之三：基于 AdaBoost 机器学习算法的市场短期择时策略 ＃createTime1＃2019 年 10 月 17 日 22886912/43348/20191018 09:58 请务必阅读正文之后的信息披露和重要声明 - 2 - 定量研究专题报告 目 录 1、基于决策树的择时模型 ...................................................................................... - 4 - 1.1、决策树简介 ................................................................................................... - 4 - 1.2、数据说明 ....................................................................................................... - 6 - 1.3、决策树择时模型 ........................................................................................... - 7 - 1.3.1、决策树择时模型回测流程 ............................................................ - 7 - 1.3.2、决策树择时模型回测结果 ............................................................ - 8 - 1.4、优选决策树择时模型 ................................................................................... - 9 - 1.4.1、优选决策树择时模型回测流程 .................................................... - 9 - 1.4.2、优选决策树择时模型回测结果 .................................................. - 11 - 2、AdaBoost 择时模型 ........................................................................................... - 12 - 2.1、AdaBoost 算法简介 .................................................................................... - 12 - 2.2、AdaBoost 择时模型回测流程 .................................................................... - 13 - 2.3、AdaBoost 择时模型回测结果 .................................................................... - 15 - 3、双塔奇兵择时模型 .............................................