请务必阅读正文之后的信息披露和法律声明 [Table_Main] 证券研究报告 | 金融工程专题 深度报告 金融工程专题 2022年01月25日 金融工程专题 证券分析师 肖承志 资格编号： S0120521080003 邮箱：xiaocz＠tebon.com.cn 研究助理 王成煜 邮箱：wangcy3＠tebon.com.cn 相关研究 1. 《机器学习因子：在线性因子模型中捕获非线性—德邦金工文献精译第一期》 2021.9.17 2. 《利用机器学习捕捉因子的非线性效应—德邦金工机器学习专题之一》 2021.10.18 3. 《机器学习残差因子表现归因—德邦金工机器学习专题之二》 2021.11.24 基于财务与风格因子的机器学习选股 ——德邦金工机器学习专题之三 [Table_Summary] 投资要点：  综合使用风格与财务因子进行选股。在风格因子的基础上，引入财务因子数据，可以大幅提高机器学习模型的选股能力。  拟合独立于风格的特质收益率。首先用关于风格因子的线性回归计算股票的特质收益率，然后用机器学习模型拟合特质收益率关于风格、财务因子的函数。  本文从资产负债表、利润表中选取少数几个财务因子作为输入。筛选的财务因子包括季度营业成本、总成本、研发投入、营业利润的同比增速以及ROE。  基于神经网络、随机森林、提升树三种机器学习模型构建总集成模型。每种类型的机器学习模型包含数个不同参数的模型，将模型的平均输出作为最终总集成模型输出。  构造机器学习残差因子。将机器学习模型作用在最新一期的因子值上，进行风格中性处理，构造机器学习残差因子。  构造机器学习反转因子。用上一期的因子拟合本期特质收益率，取相反数并进行风格中性处理，构造机器学习反转因子。反转因子的多空收益非常显著。  构造复合因子。根据机器学习残差因子和机器学习反转因子等权的方法构造复合因子。复合因子表现出更稳健的超额收益，从2015年至2021年间每年均维持正的超额收益和较高的信息系数。此外，策略的换手率相对较低。  通过构造高集中度组合考察因子的单调性。复合因子分五组时表现出很强的单调性，若通过增加分组构造高集中度组合，空头收益大幅度增加，但多头收益基本维持不变。  考察复合因子在不同股票池的选股能力。根据复合因子在全市场、沪深300指数、中证500指数与中证1000指数成分股中选股以考察因子的有效性。复合因子仅在沪深300指数成分中失效。  对复合因子选股的组合进行容量测试。初始资金量从10亿增加到500亿，策略从2015年初至2022年初的年化收益率从16.1%下降到11.1%。如果以调仓完成度作为评价标准，策略的容量可达百亿量级。  对复合因子选股的组合进行收益归因。收益归因的结果表明，组合的超额收益大多来自于因子的独立于风格、行业之外的特质选股能力。  风险提示：市场风格变化风险，模型失效风险，数据可用性风险 金融工程专题 2 / 20 请务必阅读正文之后的信息披露和法律声明 内容目录 1. 前言 ...................................................................................................................... 4 2. 方法 ...................................................................................................................... 4 2.1. 特质收益率 .................................................................................................. 4 2.2. 财务因子 ...................................................................................................... 4 2.3. 机器学习残差因子 ........................................................................................ 5 2.4. 机器学习反转因子 ........................................................................................ 6 2.5. 复合因子 ...................................................................................................... 7 2.6. 投资组合构造方法 ........................................................................................ 7 2.7. 风格、财务、行业归因方法 ........................................................................... 8 3. 结果 ...................................................................................................................... 8 3.1. 基于风格因子的机器学习残差因子 ................................................................. 8 3.2. 基于风格和财务因子的机器学习残差因子 ..................................................... 10 3.3. 机器学习反转因子 .......................................................................................11 3.4. 复合因子 .................................................................................................... 12 3.4.1. 中证1000指数成分选股 .................................................................... 12 3.4.2. 高集中度组合.................................................................................... 14 3.4.3. 全市场、中证500指数成分、沪深300指数成分选股 .......................... 14 3.4.4. 组合容量测试.................................................................................... 16 3.4.5. 组合收益归因.................................................................................... 17 4. 结论 .................................................................................................................... 18 5. 风险提示 ............................................................................................................. 19 信息披露 .................................................................................................................. 20 mNpRoRqMpPsOnRmPmMrNrPaQcMaQnPoOpNsQfQrRrQkPnPpR6MnMmQMYoPsPxNrNqP 金融工程专题 3 / 20 请务必阅读正文之后的信息披露和法律声明 图表目录 图1：因子计算方法示意图...........................................................................................7 图2：基于风格因子（十因子）的机器学习残差因子的分组回测 .....................................9 图3：十因子机器学习残差因子的信息系数（全市场） ..................................................9 图4：十因子机器学习残差因子的信息系数（中证1000成分） ......................................9 图5：基于风格和财务因子（十五因子）的机器学习残差因子的分组回测...................... 10 图6：十五因子机器学习残差因子的信息系数（全市场） ............................................. 10 图7：十五因子机器学习残差因子的信息系数（中证1000成分）................................. 10 图8：机器学习反转因子的分组回测 ........................................................................... 11 图9：机器学习反转因子的信息系数（全市场） .......................................................... 11 图10：机器学习反转因子的信息系数（中证1000成分） ............................................ 11 图11：复合因子的分组回测结果 .........................................................................