“该策略使用机器学习模型和基本面/技术指标来预测标准普尔500指数股票的超额表现，通过集成模型每周选择50只表现最佳的股票并定期重新平衡。”
资产类别: 差价合约、股票 | 地区: 美国 | 周期: 每周 | 市场: 股票 | 关键词: 机器学习
I. 策略概要
该研究使用机器学习模型（包括PCA、Ridge、LASSO、Enet回归、随机森林、Boosting、DNN和LSTM）对标准普尔500指数股票进行研究。基本面因素（规模、价值、质量、盈利能力、增长）和技术指标（动量、移动平均线、风险、反转、交易量）针对每个训练集进行标准化。每周，模型根据可用资源进行交叉验证和参数调整，预测股票是否跑赢中位数回报。集成模型对所有模型的预测进行平均。该策略选择50只预测超额表现概率最高的股票，并每周重新平衡，利用机器学习优化选股和回报。
II. 策略合理性
机器学习模型虽然常被视为黑箱，但可以在没有预定义模型的情况下识别关键特征并捕获非线性依赖关系。这些模型始终优于简单基准，在六因子扩展的Fama-French模型中提供显著的alpha，其回报不能完全由常见股票因子解释。性能随着时间的推移保持稳健，在19年中有15年观察到超额表现。与静态因子策略不同，机器学习模型表现出动态和波动的因子敞口，这表明其一部分超额表现可能源于有效的因子择时。这种适应性和发现复杂关系的能力突显了它们在增强选股策略和实现卓越风险调整后回报方面的潜力。
III. 来源论文
Stock Picking with Machine Learning [点击查看论文]
- Wolff, Dominik 和 Echterling, Fabian。达姆施塔特工业大学；Deka Investment GmbH；法兰克福应用科学大学，安联集团——安联全球投资者欧洲
<摘要>
我们分析了用于选股的机器学习算法。我们的研究基于1999年1月至2021年3月期间标准普尔500指数历史成分股的每周数据，并以典型的股票因子、额外的公司基本面和技术指标为基础。各种机器学习模型在二元分类任务上进行训练，以预测特定股票在接下来的一周内是否跑赢或跑输横截面中位数回报。我们分析了投资于预测超额表现概率最高的股票的每周交易策略。我们的实证结果表明，与等权重基准相比，基于机器学习的选股模型具有实质性且显著的超额表现。有趣的是，我们发现更简单的正则化逻辑回归模型与更复杂的机器学习模型表现同样出色。当应用于STOXX欧洲600作为替代资产宇宙时，结果仍然稳健。
IV. 回测表现
| 年化回报 | 18.7% |
| 波动率 | 24.2% |
| β值 | N/A |
| 夏普比率 | 0.77 |
| 索提诺比率 | N/A |
| 最大回撤 | -42.4% |
| 胜率 | N/A |
