摘要

• 本篇報告構(gòu)建了一個完整的可復(fù)用的 人工智能阿爾法策略框架。

• 本篇報告用AI對基本面、財務(wù)、交易型等 282個因子 做了單因子策略研究和多個維度上的績效分析，并 發(fā)掘了在短、中、長周期上多個夏普超過1.5 、年化收益超過 30% 的因子。

• 本篇報告也對AI和傳統(tǒng)方法的效果做了對比，相同因子下，AI的效果遠(yuǎn)超傳統(tǒng)方法，收益有100%以上的提升，這主要得益于StockRanker非線性模型學(xué)習(xí)能力、大數(shù)據(jù)和強大計算資源等方面相較于傳統(tǒng)人工的優(yōu)勢， 能最大限度的發(fā)掘因子的價值。

2016.png956x404 22.1 KB

目錄

目錄

1、引言
2、阿爾法體系
?2.1 多因子模型的發(fā)展及基本理論
?2.2 傳統(tǒng)阿爾法體系
?2.3 交易型阿爾法體系
?2.4 阿爾法體系模型的評價標(biāo)準(zhǔn)
?2.5 阿爾法體系預(yù)測的一致性問題
3、AI阿爾法體系
?3.1 AI阿爾法構(gòu)建思路
?3.2 一些顯著的因子舉例
?3.3 AI阿爾法體系構(gòu)建
4、AI策略構(gòu)建
?4.1 AI策略開發(fā)流程
?4.2 AI Alphas研究設(shè)計
?4.3 策略參數(shù)設(shè)置
?4.4 分析結(jié)果
??4.4.1 總體概覽
??4.4.2 按時間段劃分
??4.4.3 按因子周期劃分
??4.4.4 因子收益發(fā)掘能力對比
??4.4.5 風(fēng)格因子暴露分析
??4.4.6 交易成本敏感性分析
5、總結(jié)與展望
6、參考文獻(xiàn)
7、附錄

1、引言

近年來，量化投資行業(yè)得到了迅速的發(fā)展，隨著理論升級和技術(shù)更新，Barra風(fēng)險結(jié)構(gòu)模型逐步得到更廣泛和更深度的應(yīng)用。多因子模型為Barra風(fēng)險結(jié)構(gòu)模型的一個簡化模型，其基本假設(shè)就是相似的資產(chǎn)會有相似的回報。由于某些特定的原因（因子），資產(chǎn)的收益也會表現(xiàn)出一致性，例如價量變化、行業(yè)、規(guī)模或者利率變化。多因子模型旨在發(fā)掘能夠帶來超額收益的阿爾法因子，并且確定收益率隨因子變化的敏感程度。

傳統(tǒng)多因子模型在 A 股過去若干年內(nèi)也獲得較為穩(wěn)健的超額收益。然而，由于市值效應(yīng)在 A 股市場的影響過于明顯，導(dǎo)致傳統(tǒng)多因子模型或多或少都受其影響。 尤其是自2016年11月以來，隨著A股市場風(fēng)格的急劇變化，策略穩(wěn)定性受到了一定沖擊。從目前市值因子的收益波動性而言，小市值因子超額收益的黃金時代可能已經(jīng)過去。2017，券商研報構(gòu)建了交易型阿爾法選股體系，旨在挖掘短期盈利機會，對原有傳統(tǒng)阿爾法選股體系形成極大補充。

本篇報告將開創(chuàng)性地構(gòu)建全新的多因子模型體系——人工智能阿爾法選股體系，這又將成為傳統(tǒng)阿爾法選股體系和交易型阿爾法選股體系的極大補充，從而更深入地推進(jìn)多因子模型體系的理論和實證研究。人工智能阿爾法選股體系簡稱AI阿爾法體系，是利用人工智能領(lǐng)域中的機器學(xué)習(xí)技術(shù)，將挖掘因子收益的潛力發(fā)揮極致。

本篇報告中，我們對基本面因子、財務(wù)因子、交易型因子共計282個因子在短期、中期、長期的因子收益進(jìn)行了測試，因子一部分來自WorldQuant、券商研報，一部分來自于BigQuant因子庫，因子數(shù)據(jù)都為個股日頻數(shù)據(jù)。本文采取的是StockRanker AI策略，以2011.01.01-2015.12.31的數(shù)據(jù)作為訓(xùn)練集，以2016.01.01的數(shù)據(jù)作為測試集，并驗證模型在測試集上回測的績效結(jié)果。其中策略收益率最高的為持倉40天的總市值排序因子，2016.01.01到2017.07.18期間年化收益為108%,遠(yuǎn)遠(yuǎn)超過了傳統(tǒng)阿爾法體系下的小市值策略。

AI阿爾法體系是對傳統(tǒng)阿爾法體系和交易型阿爾法體系的補充，也是以機器學(xué)習(xí)為代表的人工智能技術(shù)在量化交易領(lǐng)域比較成熟的應(yīng)用，是一種有全新思路、獨立設(shè)計的交易體系。希望AI阿爾法體系的構(gòu)建，能夠展現(xiàn)人工智能技術(shù)在金融量化領(lǐng)域發(fā)揮真正威力。

2、阿爾法體系

在介紹AI阿爾法體系之前，我們有必要對阿爾法體系的發(fā)展及基本理論進(jìn)行梳理。

2.1 多因子模型的發(fā)展及基本理論

• 資本資產(chǎn)定價模型（CAPM）

資本資產(chǎn)定價模型（Capital Asset Pricing Model, CAPM）是現(xiàn)代金融市場價格理論的支柱，由美國學(xué)者威廉· 夏普（William Sharpe） 等人于1964年在資產(chǎn)組合理論的基礎(chǔ)上發(fā)展起來。它開啟了資產(chǎn)風(fēng)險分類的研究進(jìn)程。

E(ri)=rf βi?(E(rm)?rf)

• 套利定價理論（APT）

套利定價理論是一種均衡模型，用來研究證券價格是如何決定的。它假設(shè)證券的收益是由一系列產(chǎn)業(yè)方面和市場方面的因素確定的。當(dāng)兩種證券的收益受到某種或某些因素的影響時，兩種證券收益之間就存在相關(guān)性。

套利定價理論模型為：

ri=ai k∑j=1bijFj ?i,i=1,2,...,N

• 多因子模型（MFM）

現(xiàn)代金融理論認(rèn)為，股票的預(yù)期收益是對股票持有者所承擔(dān)風(fēng)險的補償，多因子模型正是對于風(fēng)險——收益關(guān)系的定量表達(dá)。多因子模型定量刻畫了股票預(yù)期收益率與股票在每個因子上的因子載荷（風(fēng)險敞口），以及每個因子每單位因子載荷（風(fēng)險敞口）的因子收益率之間的線性關(guān)系。 多因子模型（Multiple-Factor Model, MFM）正是基于 APT 模型的思想發(fā)展出來的完整的風(fēng)險模型。

多因子模型的一般表達(dá)式：

ri=K∑k=1Xik?fk μi

2.2 傳統(tǒng)阿爾法體系

量化投資以策略績效為目標(biāo)導(dǎo)向，因此策略最后實現(xiàn)的收益風(fēng)險特征是衡量阿爾法體系好壞的最終標(biāo)準(zhǔn)。但是，阿爾法體系的本質(zhì)即是收益預(yù)測，因此在觀察策略實際收益率之前，我們可以通過一些定量的方法，計算阿爾法體系的收益預(yù)測是否精確、是否顯著，這樣的判斷將更有利于我們了解阿爾法體系的特性，提高投資成功的概率。

在選股型體系中，收益率分解是基本的假設(shè)前提。我們認(rèn)為任意股票在同一時刻暴露于多種不同的風(fēng)險因素下，它們之間的共同作用形成了股票價格的波動。因此，我們致力于尋找對絕大部分股票價格波動都有影響的共同因素，即風(fēng)格因子，這部分收益則被稱為風(fēng)格收益。 而風(fēng)格因子不可解釋的部分，則被認(rèn)為是個股自身特有的屬性，即特質(zhì)因子，這部分收益則被稱為阿爾法收益。

即，股票收益率 = 風(fēng)格收益 阿爾法收益。

阿爾法收益包含了模型之外的風(fēng)格因子的收益，一旦將該因子加入模型，其目的為捕獲該因子的阿爾法收益，因子傳統(tǒng)阿爾法體系的很大一部分工作是挖掘新的有效阿爾法因子，使其阿爾法收益得到釋放，因此該體系稱為傳統(tǒng)阿爾法體系 。

傳統(tǒng)阿爾法體系最基本的假設(shè)是：具有類似“屬性”的股票，即因子類似，在市場上應(yīng)該有相似的收益率。這些類似的屬性可以是相同的行業(yè)、相似的交易屬性（比如交易價格、交易量、市值大小、波動率等）、相似的財務(wù)屬性（來自于三張財務(wù)報表的各種比例或者增長率等）、相似的估值屬性（PB、PE、PS、PCF 等）。

假設(shè)一個投資組合由N個股票組成，它們在組合中的權(quán)重分別為hP1,hP2,...,hPN，則組合的收益率為：

rP=K∑k=1XPk?fk N∑i=1hPi?μi

其中，XPk=∑Ni=1hPi?Xik

2.3 交易型阿爾法體系

傳統(tǒng)阿爾法體系的收益來源，往往集中于財務(wù)數(shù)據(jù)的挖掘、分析師一致預(yù)期數(shù)據(jù)的挖掘，而只有一小部分是中低頻價量特征的數(shù)據(jù)。而在 A 股，市場交易行為具有很強的隨機性，機構(gòu)投資者的交易效率較之成熟市場亦不十分有效，加之 T 0、融券賣空等交易機制的缺乏，導(dǎo)致在短周期由于交易行為所產(chǎn)生的定價非有效十分常見。只要是投資者交易產(chǎn)生的價格序列，就一定不是隨機序列，而這一特征在 A 股更為明顯。

交易型阿爾法體系關(guān)注的特征主要是價格和成交量。對價量特征進(jìn)行因子化處理的最大優(yōu)勢在于，避免了利用單一模式在時間序列上進(jìn)行買點和賣點的選擇，因為這牽涉到開平倉參數(shù)的敏感性問題等，會帶來很大的不確定性和參數(shù)過擬合的問題。交易型阿爾法體系精髓在于，以當(dāng)前市場的運行特征，尋找價格運行的規(guī)律。如果說傳統(tǒng)阿爾法體系更加重視因子背后的價值投資邏輯，那么交易型阿爾法體系則更加重視交易行為背后的規(guī)律顯著性，從某種意義上而言，這恰恰是最為直白樸素的投資邏輯。

2.4 阿爾法體系的評價標(biāo)準(zhǔn)

在介紹AI阿爾法新體系之前，我們有必要對阿爾法體系的評價標(biāo)準(zhǔn)再做些許的梳理，而這樣的標(biāo)準(zhǔn)既適用于傳統(tǒng)阿爾法體系和交易型阿爾法體系。因為AI阿爾法體系不同之處在于更能充分挖掘因子收益，因此基于IC值的評價標(biāo)準(zhǔn)同樣也適用于AI阿爾法體系。

阿爾法體系的目標(biāo)應(yīng)是針對阿爾法收益的預(yù)測，而不是針對股票整體收益率的預(yù)測。而評價阿爾法體系的標(biāo)準(zhǔn)也應(yīng)是計算其對阿爾法收益的預(yù)測是否可靠，而業(yè)界衡量這一可靠性最常用的指標(biāo)就是因子IC值。

因子的 IC 值一般是指個股第t期在因子上的暴露度與t 1期的收益率的相關(guān)系數(shù)。因子 IC 值反映的是個股下期收益率和本期因子暴露度的線性相關(guān)程度，表現(xiàn)出使用該因子進(jìn)行收益率預(yù)測的穩(wěn)健性；而回歸法中計算出的因子收益率本質(zhì)上是一個斜率，反映的是從該因子可能獲得的收益的大小，這并不能代表任何關(guān)于穩(wěn)健性的信息。當(dāng)?shù)玫礁饕蜃?IC 值序列后，我們可以進(jìn)行計算：

1. IC 值序列的均值及絕對值均值：判斷因子有效性；

2. IC 值序列的標(biāo)準(zhǔn)差：判斷因子穩(wěn)定性；

3. IC 值序列大于零（或小于零）的占比：判斷因子效果的一致性。

如上分析可視為對一個阿爾法體系的定量評價，那么對于若干不同的阿爾法體系就可以有嚴(yán)格的好壞區(qū)分。并且，從經(jīng)驗上而言， 預(yù)測能力較強的阿爾法體系，其所對應(yīng)的實際組合獲取超額收益的概率也越高。

傳統(tǒng)阿爾法體系和交易型阿爾法體系都是對因子阿爾法收益進(jìn)行線性模型的挖掘。其一，其預(yù)測能力在剔除市值因子的效用之后究竟有多強的顯著性，值得深思。其二，因子阿爾法收益的挖掘，目前行業(yè)內(nèi)同質(zhì)化策略嚴(yán)重，未來是否還能取得穩(wěn)定超額收益率還待觀察。其三，隨著以機器學(xué)習(xí)、深度學(xué)習(xí)為代表的人工智能技術(shù)的快速發(fā)展，對阿爾法收益的挖掘的潛力進(jìn)一步提高，傳統(tǒng)的阿爾法體系和交易型阿爾法體系為因子收益率和因子暴露的線性模型，可挖掘的因子阿爾法收益有限，而AI阿爾法體系更多是非線性模型，對因子阿爾法收益的挖掘能力更強。

2.5 阿爾法體系預(yù)測的一致性問題

至今為止，沒有任何一個投資模型可以解釋市場運行的一切變化規(guī)律。在整個阿爾法體系中，策略的構(gòu)建分為選股和組合兩個步驟。選股即為預(yù)測阿爾法收益，組合則為實現(xiàn)阿爾法收益，兩者互相獨立卻又一脈相承。

所謂阿爾法模型預(yù)測的一致性問題，指的是阿爾法因子的預(yù)測目標(biāo)與組合實現(xiàn)的收益目標(biāo)相一致。也就是說，阿爾法模型的預(yù)測過程與組合構(gòu)造的實現(xiàn)過程需要有共同的目標(biāo)。阿爾法體系的定量評估和一致性問題是我們因子模型的理念基礎(chǔ)，在此基礎(chǔ)上，我們下面將介紹具體的AI阿爾法新體系。

無論是傳統(tǒng)阿爾法體系，還是交易型阿爾法體系，都盡可能做到在因子檢驗、收益預(yù)測的過程中，剔除所有風(fēng)格因素的影響，而在組合構(gòu)建過程中，保持所有大類風(fēng)格的中性化處理，最大程度的體現(xiàn)阿爾法模型的預(yù)測作用。但AI阿爾法體系有所不同，因為并非傳統(tǒng)的線性模型，深度學(xué)習(xí)、機器學(xué)習(xí)相關(guān)的收益預(yù)測模型又大多是非線性模型，因此其模型的直觀解釋力不如線性模型，但是這并不影響阿爾法體系的預(yù)測一致性問題，從本文4.4.5也可以看出，風(fēng)格因子暴露分析也能夠佐證AI阿爾法體系的預(yù)測一致性。AI阿爾法體系本質(zhì)上也是因子模型，與傳統(tǒng)阿爾法體系和交易型阿爾法體系同屬阿爾法體系框架，都是基于因子預(yù)測獲取超額收益率的阿爾法體系。

3、AI阿爾法體系

3.1 AI阿爾法構(gòu)建思路

傳統(tǒng)阿爾法體系的收益來源，往往集中于財務(wù)數(shù)據(jù)、基本面數(shù)據(jù)的挖掘，而只有一小部分是中低頻價量特征的數(shù)據(jù)。交易型阿爾法體系由于因子主要為價量相關(guān)的行情因子，因子體現(xiàn)出短周期的交易行為，所以從超額收益來源、因子有效周期、策略交易頻率、組合換手率、受市場風(fēng)格影響等方面有很大不同。AI阿爾法體系不僅僅局限在財務(wù)數(shù)據(jù)、基本面數(shù)據(jù)和交易行情數(shù)據(jù)，只要是可能影響股票收益率的任何數(shù)據(jù)，都是AI阿爾法體系的研究范疇。

3.2 一些顯著的因子舉例

哪些因子具有阿爾法收益？有經(jīng)驗的專業(yè)投資者很容易回答這個問題，這是機器學(xué)習(xí)中特征選擇問題。特征選擇非常關(guān)鍵，只有把握關(guān)鍵特征才能對數(shù)據(jù)達(dá)到重要性認(rèn)識，選擇好的因子，才能獲取超額收益率。

Fama和French 1992年對美國股票市場決定不同股票回報率差異因素的研究發(fā)現(xiàn)，股票市場的beta值不能解釋不同股票回報率的差異，而上市公司的市值、賬面市值比、市盈率可以解釋股票回報率的差異。 因此市值、賬面市值比、市盈率就是風(fēng)格因子。隨著理論和實踐地進(jìn)一步發(fā)展，已經(jīng)挖掘出來的風(fēng)格因子有：估值因子、成長因子、財務(wù)質(zhì)量因子、盈利能力因子、杠桿因子、規(guī)模因子、動量因子、換手率因子等。

WorldQuant在2015年發(fā)布文章《101 Formulaic Alphas》，通過具體因子公式公開了101個價量因子，這可以看作交易型阿爾法體系的重要里程碑。2017年6月發(fā)布的券商研報文章《基于短周期價量特征的多因子選股體系》，文章構(gòu)建了191個短周期價量因子，更是將交易型阿爾法體系的研究向前推了重大一步。比如，價量背離、開盤缺口、異常成交量等。

阿爾法體系本質(zhì)上就是挖掘因子阿爾法收益的過程，其目標(biāo)是不斷構(gòu)造出新的因子。AI阿爾法體系借助于機器學(xué)習(xí)、深度學(xué)習(xí)的最新技術(shù)能夠?qū)⑼诰蛞蜃拥娜蝿?wù)完成得更加高效。

3.3 AI 阿爾法體系構(gòu)建

本篇報告構(gòu)建的阿爾法體系中，總共構(gòu)建了282個因子，其中數(shù)據(jù)維度均為日頻率交易數(shù)據(jù)。本節(jié)中，我們對因子的構(gòu)建給出了詳細(xì)的定義方式，因子明細(xì)詳見附錄。

表1 因子明細(xì)預(yù)覽(部分)

image.png542x523 18.6 KB

4、AI策略構(gòu)建

BigQuant55 提供了多面向?qū)α炕顿Y的AI算法 (后續(xù)將發(fā)布各算法benchmark報告)，本文主要使用其中的 StockRanker 算法。StockRanker 是 BigQuant55 為選股量化而設(shè)計，核心算法主要是排序?qū)W習(xí)和梯度提升樹

StockRanker有如下特點：

1. 選股：股票市場和圖像識別、機器翻譯等機器學(xué)習(xí)場景有很大不同。StockRanker充分考慮股票市場的特殊性，可以同時對~3000只股票的數(shù)據(jù)進(jìn)行學(xué)習(xí)，并預(yù)測出股票排序
2. 排序?qū)W習(xí) (Learning to Rank)：排序?qū)W習(xí)是一種廣泛使用的監(jiān)督學(xué)習(xí)方法 (Supervised Learning)，比如推薦系統(tǒng)的候選產(chǎn)品、用戶排序，搜索引擎的文檔排序，機器翻譯中的候選結(jié)果排序等等。StockRanker 開創(chuàng)性的將排序?qū)W習(xí)和選股結(jié)合，并取得顯著的效果 (具體見即將發(fā)布的benchmark報告)。
3. 梯度提升樹 (GBDT)：有多種算法可以用來完成排序?qū)W習(xí)任務(wù)，比如SVM、邏輯回歸、概率模型等等。StockRanker使用了GBDT，GBDT是一種集成學(xué)習(xí)算法，在行業(yè)里使用廣泛。

StockRanker的領(lǐng)先效果還得益于優(yōu)秀的工程實現(xiàn)，我們在學(xué)習(xí)速度、學(xué)習(xí)能力和泛化性等方面，都做了大量的優(yōu)化，并且提供了參數(shù)配置，讓用戶可以進(jìn)一步根據(jù)需要調(diào)優(yōu)。

4.1 AI策略開發(fā)流程

如下是一個AI策略主要流程的示意圖：

圖1  AI策略開發(fā)流程圖

BigQuant55 對AI策略開發(fā)做了抽象，設(shè)計了如下開發(fā)流程 (以 StockRanker 算法為例，也可以使用其他算法)：

1. 目標(biāo)：首先定義機器學(xué)習(xí)目標(biāo)并標(biāo)注數(shù)據(jù)。很多機器學(xué)習(xí)場景，需要人來做數(shù)據(jù)標(biāo)注，例如標(biāo)注圖片里的是貓或者狗。對于股票，我們關(guān)注的風(fēng)險和收益是可以明確定義并自動計算出來的。所以，我們一般使用未來N天的收益或者收益風(fēng)險比作為標(biāo)注分?jǐn)?shù)。本文使用未來給定天數(shù)的收益作為標(biāo)注
2. 數(shù)據(jù)：我們需要訓(xùn)練數(shù)據(jù)集來訓(xùn)練模型，已經(jīng)評估數(shù)據(jù)集來評估效果。在模型參數(shù)研究中，我們一般還需要一個測試集用來觀察調(diào)參效果
3. 特征(因子)：特征是量化研究的核心之一，在AI策略上，特征直接影響了模型的學(xué)習(xí)效果。這也是本文的目的之一，通過AI找出在A股有效的因子，并最大化的挖掘出他們的效果
4. 算法模型：本文使用StockRanker算法，使用 M.stock_ranker_train.v3 來訓(xùn)練模型，使用 M.stock_ranker_predict 來做出預(yù)測
5. 回測：使用回測引擎來根據(jù)預(yù)測做股票交易，并得到策略收益報告和風(fēng)險分析，并以此來評估策略的最終效果

4.2 AI alphas研究設(shè)計

本文的目的是用AI找出在A股有效的因子，實驗設(shè)計如下：

• AI策略框架：StockRanker AI(見 4.1) 單因子策略。根據(jù)本文的目的，這里只做了單個因子情況。策略和模型參數(shù)，使用 BigQuant55 人工智能量化策略模板默認(rèn)參數(shù)。
• 因子來源：本文研究了技術(shù)面、財務(wù)、基本面等282個因子，來自常見因子、World Quant研究、券商研報等等
• 交易周期：本文研究了因子在短期、中期、長期等不同交易周期下的表現(xiàn)
• 目標(biāo)標(biāo)注：未來N天的區(qū)間收益，N和交易周期相關(guān)
• 訓(xùn)練數(shù)據(jù)：2011-01-01到2016-01-01期間的所有A股
• 測試數(shù)據(jù)：2016-01-01到2017-07-18期間的所有A股
• 評估指標(biāo)：使用策略絕對收益來作為評估指標(biāo)

4.3 策略交易參數(shù)設(shè)置

本節(jié)，我們將對AI阿爾法體系進(jìn)行實證回測分析，其中StockRanker AI策略相關(guān)參數(shù)設(shè)置如下：

• 股票池：所有A股
• 交易成本：買入萬分之3、賣出千分之1.3，不足5元按5元收取
• 買入規(guī)則：每天買入全市場所有股票中排序靠前的5只股票
• 賣出規(guī)則：每天賣出持倉股票中排序靠后的股票
• 資金管理：每個交易日進(jìn)行交易，每個交易日等資金配置
• 股票權(quán)重：股票權(quán)重與股票排序結(jié)果成正比
• 回測中的模擬成交剔除停牌、漲跌停等異常情況

4.4 分析結(jié)果

我們一共對282個財務(wù)因子、基本面因子、交易型因子做了因子有效性測試，驗證其在2016年1月1日至2017年7月18日的策略表現(xiàn)。我們會從關(guān)鍵幾個指標(biāo)對這282個因子做總體描述性介紹，然后通過按時間段劃分和按因子周期劃分，分析夏普比率靠前的20個因子。接下來，我們選取若干有效因子進(jìn)行因子收益挖掘能力對比，檢查AI阿爾法體系較之于傳統(tǒng)阿爾法體系而言，是否在因子收益挖掘方面具有明顯優(yōu)勢。然后，我們對持倉組合進(jìn)行因子風(fēng)格暴露分析，驗證其因子收益預(yù)測一致性。最后，我們按因子周期分類，分別對各個周期上表現(xiàn)最好的因子進(jìn)行交易成本敏感性統(tǒng)計。

4.4.1 總體概覽

夏普比率、年化收益率、最大回撤、策略波動率是衡量一個策略的最主要的幾個關(guān)鍵指標(biāo)。我們從這四個維度來對本文全部282個因子進(jìn)行分析，從整體上把握所有因子的表現(xiàn)。

表2  所有因子在短期、中期、長期的因子測試匯總表

• 夏普比率
  表3  夏普比率降序排列前20因子
  
  
  

  夏普比率.png620x582 24 KB

圖2  夏普比率分布圖

年化收益.png659x582 24.3 KB

圖3  年化收益率分布圖

最大回撤.png877x590 29.6 KB

圖4  最大回撤分布圖

收益波動率.png711x583 24.2 KB

圖5  收益波動率分布圖

4.4.2 按時間段劃分

策略收益率在不同的時間段會受市場環(huán)境有明顯的影響，不同的年份策略表現(xiàn)也會有顯著差異，表7到表10是以夏普比率排序，羅列出的不同時間段表現(xiàn)優(yōu)異的因子。

• 2016年前20因子
  表7  2016年前20因子

  
  
  

  image.png794x584 27.7 KB

• 2017年前20因子
  表8  2017年前20因子

  
  
  

  image.png764x582 25.4 KB

• 2016-2017前20因子
  表9  2016?2017前20因子

  
  
  

  image.png805x589 28.8 KB

4.4.3 按因子周期劃分

因子可以分為短期因子、中期因子和長期因子，因子周期的差異也會影響策略收益率，表10到表12為不同長度周期中表現(xiàn)優(yōu)異的因子。

• 短期因子
  表10  短期因子

  
  
  

  image.png979x587 26.8 KB

• 中期因子
  表11  中期因子

  
  
  

  image.png1027x584 32.5 KB

• 長期因子
  表12  長期因子

  
  
  

  image.png803x582 36.2 KB

4.4.4 因子收益發(fā)掘能力對比

和傳統(tǒng)阿爾法體系及交易型阿爾法體系一樣，AI阿爾法體系也是對于因子收益的挖掘，其根本目的是通過因子篩選出優(yōu)異股票，從而獲得超額收益。本文以2016年表現(xiàn)優(yōu)異的市值因子和2017年表現(xiàn)的市凈率因子為例，簡單地對比了傳統(tǒng)阿爾法體系和AI阿爾法體系對于因子收益挖掘能力，發(fā)現(xiàn)AI阿爾法體系對于因子收益的挖掘能力更強。

為保證策略的可比性，我們需要擬定比較基準(zhǔn)，除了運用的策略算法不一樣，其他條件應(yīng)保持完全一致。因此，為比較AI阿爾法體系和傳統(tǒng)阿爾法體系在因子挖掘能力的差異，我們的策略算法都采取相同的平均持有天數(shù)，以及相同的持倉股票數(shù)量。

• 2016.01-2017.07 市值因子對比
  

  

  image.png779x404 22.8 KB

• 2016.01-2017.07 市凈率因子對比

image.png760x399 23.9 KB

具體策略指標(biāo)，請看表13。
表13：  對比結(jié)果匯總

可以看出，就小市值而言，StockRanker AI策略和傳統(tǒng)阿爾法策略一樣，2016年表現(xiàn)優(yōu)異，但是2017年風(fēng)格突變，兩策略紛紛失效，符合市場基本狀況。從年化收益、夏普比率、最大回撤、收益波動率這幾項指標(biāo)都可以看出，StockRanker AI策略在兩個階段都比傳統(tǒng)阿爾法策略好。就市凈率因子而言，該因子在2016年和2017年表現(xiàn)都不錯，從幾項策略指標(biāo)而言，其效果也比傳統(tǒng)阿爾法策略好。

在2016年小市值因子表現(xiàn)優(yōu)異，2017年市凈率因子表現(xiàn)優(yōu)異。接下來，將各個時間段上表現(xiàn)優(yōu)異的因子單獨拎出來進(jìn)行對比。

• 2016年市值因子對比

2016.png956x404 22.1 KB

藍(lán)線是StockRanker AI策略的收益率曲線，黑線是傳統(tǒng)小市值策略的收益率曲線，可以看出在2016年，AI阿爾法體系下的Atockranker AI策略較傳統(tǒng)小市值策略而言，因子收益挖掘能力大概是兩倍以上，兩者走勢相關(guān)性很高。

• 2017年市凈率因子對比

2017.png962x403 22.4 KB

同上，藍(lán)線是StockRanker AI策略的收益率曲線，黑線是傳統(tǒng)市凈率選股策略的收益率曲線，在2017年上半年，AI阿爾法體系下的Atockranker AI策略較傳統(tǒng)市凈率選股策略而言，因子收益挖掘能力大概是兩倍以上，并且策略穩(wěn)定性更強，回撤也較小，收益曲線更加平滑。

4.4.5 風(fēng)格因子暴露分析

風(fēng)格因子暴露分析屬于風(fēng)險分析的一部分，與收益分析、組合優(yōu)化共同組成了Barra風(fēng)險結(jié)構(gòu)模型的主體框架。風(fēng)險分析也可以用來作為檢驗因子策略一致性的重要依據(jù)。比如在挖掘因子有效性的時候，發(fā)現(xiàn)該因子越小，收益越高，那么基于該因子開發(fā)的策略。不管是傳統(tǒng)阿爾法體系策略、交易型阿爾法體系策略還是AI阿爾法體系，持倉組合在該因子上的充分暴露將是因子潛力得到充分挖掘的重要佐證。

• 短期因子

因子定義：20日成交量標(biāo)準(zhǔn)差
因子來源：券商研報第100個因子

image.png813x336 7.99 KB

• 中期因子

因子定義：總市值升序排名
因子來源：基本面因子

image.png806x308 6.91 KB

因為因子本身就是總市值相關(guān)的因子，因此持倉組合在規(guī)模因子上風(fēng)險暴露值很小也很好理解，策略傾向于選擇小市值股票。這與傳統(tǒng)小市值策略是完全一致的，只是AI阿爾法體系對其收益的挖掘更加充分。

• 長期因子

因子定義：市凈率升序排名
因子來源：財務(wù)因子

image.png813x305 7.06 KB

市凈率為每股股價與每股凈資產(chǎn)的比率，屬于價值因子，因此市凈率因子對于股票的選擇應(yīng)該聚集在價值型公司股票中。從風(fēng)險暴露來看，持倉組合在規(guī)模因子上數(shù)值很大，即傾向于規(guī)模很大的股票，一般而言，價值型公司確實是這類股票。同時，該持倉組合在市場因子和流動性因子上風(fēng)險暴露數(shù)值很小，這是因為價值型大市值公司的市場因子（貝塔值）很小。由于在 BigQuant55 平臺上，流動性因子類別有兩個子因子：換手率和當(dāng)日成交額占總市值的百分比，這樣就很好理解為什么市凈率因子策略選出的股票在流動性因子上暴露很小。

4.4.6 交易成本敏感性分析

本節(jié)，我們將考慮交易成本的敏感性問題，以檢驗策略可承受的交易成本（包括沖擊成本）的理論極限空間 。我們按長期因子、中期因子和短期因子進(jìn)行分類分析，并以各個周期內(nèi)夏普比率最高的因子作為代表因子，分析其對交易成本的敏感性，其中，短期因子以‘grja_100’為例，中期以‘rank_market_cap_0為例’，長期以‘rank_pb_lf_0’為例。

• 長期因子

image.png839x446 36.4 KB

不同交易成本設(shè)定下長期因子策略績效統(tǒng)計：

表14  長期因子策略績效統(tǒng)計

• 中期因子

image.png852x454 47.2 KB

• 短期因子

image.png842x453 58.8 KB

image.png700x247 11.9 KB

從結(jié)論來看，隨著設(shè)定的交易成本不斷增加，策略的夏普比率、年化收益率在逐漸下降。由于因子周期越短，調(diào)倉頻率越高，策略對交易成本越敏感。對于持倉較短，調(diào)倉較為頻繁的短期因子，其受交易成本影響非常明顯，交易成本的改變會使得一個完全盈利的策略變成虧損的策略，尤其是在市場下跌的時間段。

5、總結(jié)與展望

本篇報告創(chuàng)造性地將機器學(xué)習(xí)這項人工智能技術(shù)應(yīng)用在金融量化交易領(lǐng)域，構(gòu)建出了能夠挖掘因子非線性阿爾法收益的AI阿爾法體系。其中，較之于傳統(tǒng)阿爾法體系選股策略和交易型阿爾法體系選股策略，我們的超額收益不僅來源于更為復(fù)雜的StockRanker AI算法，同時來自于基本面因子、財務(wù)因子、交易型因子的更豐富地組合構(gòu)造。

本篇報告對282個因子進(jìn)行了驗證測試，發(fā)現(xiàn)了一部分能夠到來超額收益率的因子，比如在2016年的總市值排序因子和2017年的市凈率排序因子，他們對于收益率的挖掘比傳統(tǒng)阿爾法體系的選股策略更加充分。此外，還捕獲了一些收益不錯的短周期因子，比如券商研報的第100因子（20日成交量標(biāo)準(zhǔn)差），該因子帶來了65%的年化收益。通過不同類型因子、不同周期因子的組合，相信能夠獲得一個資金曲線更為平滑、同質(zhì)性極低的策略組合。此外，本文還發(fā)現(xiàn)，除了短周期因子對交易成本比較敏感之外，中長期因子對交易成本并不敏感。

雖然本文得出不少成果，但依然存在改進(jìn)空間。例如，本文未對因子進(jìn)行相關(guān)性檢驗以及并沒有測試AI阿爾法體系對多因子收益的挖掘效果，本文未進(jìn)行風(fēng)險中性行業(yè)中性地調(diào)整，這將成為我們下一期報告分析的重點。不僅如此，在下一期報告，我們還將測試AI阿爾法體系尤其是短期因子的策略容量以及構(gòu)建多因子阿爾法體系。

6、參考文獻(xiàn)

1. 101 Formulaic Alphas9
2. Risk Model Handbook4
3. 主動投資組合管理4
4. 多因子體系初探5
5. 基于短周期價量特征的多因子選股體系7
6. 深度學(xué)習(xí)算法掘金ALPHA因子7
7. 人工智能選股框架及其經(jīng)典算法簡介6

7、附錄

1. 本文使用的因子收益測試AI策略代碼
2. 本文測試的282個因子完整列表
3. 更多的因子測試結(jié)果