德邦金工选股月报第四期

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 | 金融工程月报 金融工程月报 2022年5月7日 金融工程月报 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. 《德邦金工选股月报》—第三期（2022.04.11） 2. 《德邦金工选股月报》—第二期（2022.03.07） 3. 《德邦金工选股月报》—第一期（2022.02.07） 4. 《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》2022.01.25 5. 《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 6. 《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 德邦金工选股月报 ——第四期（2022.05.09） [Table_Summary] 投资要点：  本文跟踪四个选股策略和一个投资组合。每个选股策略都给出相应的横截面因子值，考察策略时，我们重点考察因子在全市场的Rank IC。考察投资组合时，我们考察组合的回报、风险等各类指标。  本文以尽可能接近真实投资的方式跟踪策略和组合。随着时间的推进，我们可能对策略进行迭代。每一期，我们选用当期最看好的策略给出持仓，即使选用的策略发生变化，历史持仓也不可更改。  从2015.01.05至2022.05.06，投资组合的收益率为146.7%。样本外跟踪起始于2022.02.07。样本外跟踪的累计超额收益为4.50%。  我们对上期持仓收益进行了归因。从2022.04.11至2022.05.06，组合取得收益为-7.85%，同期基准的收益为-8.9%，超额收益为1.05%，其中，风格贡献-0.34%，行业贡献0.11%，其余1.28%由因子特质选股能力贡献。  策略一根据十因子的机器学习残差因子选股。该策略以最近期的CNE5的十个风格因子为依据，计算选股因子。因子的样本期平均RankIC为0.031，Rank ICIR为0.532。  策略二根据十五因子的机器学习残差因子选股。该策略以最近期的十个风格因子与五个财务类因子作为依据，计算选股因子。因子的样本期平均RankIC为0.052，Rank ICIR为0.875。  策略三根据十五因子的机器学习反转因子选股。该策略以上个月的十个风格因子与五个财务因子，以及从上个月到本月的各个股票收益率为依据，计算选股因子。因子的样本期平均RankIC为0.067，Rank ICIR为1.155。  策略四根据十五因子的复合因子选股。该策略综合了策略二与策略三，以这两个策略的因子的等权和为选股因子。因子的样本期平均RankIC为0.064，Rank ICIR为1.097。  本文给出2022.05.09的持仓，下次调仓将发生在2022.06.06。本期调仓双边换手率为60.0%，本期新调入股票60只，新调出股票55只，调仓后组合共计持有股票200只。  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 金融工程月报 2 / 10 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. 选股策略跟踪......................................................................................................... 4 2.1. 策略一：十因子机器学习残差因子 ................................................................. 4 2.2. 策略二：十五因子机器学习残差因子 .............................................................. 4 2.3. 策略三：十五因子机器学习反转因子 .............................................................. 5 2.4. 策略四：复合因子 ........................................................................................ 5 3. 投资组合跟踪......................................................................................................... 6 3.1. 股票筛选方法 ............................................................................................... 6 3.2. 投资组合表现 ............................................................................................... 6 3.3. 超额收益归因 ............................................................................................... 6 3.4. 分年度表现 .................................................................................................. 7 4. 本期持仓 ............................................................................................................... 8 5. 风险提示 ............................................................................................................... 9 信息披露 .................................................................................................................. 10 金融工程月报 3 / 10 请务必阅读正文之后的信息披露和法律声明 图表目录 图1：十因子机器学习残差因子的全市场Rank IC .........................................................4 图2：十五因子机器学习残差因子的全市场Rank IC ......................................................5 图3：十五因子机器学习反转因子的全市场Rank IC ......................................................5 图4：复合因子的全市场Rank IC.................................................................................6 图5：投资组合表现.....................................................................................................6 表1：因子平均主动暴露及年化超额收益率贡献 ............................................................7 表2：行业平均主动暴露及年化超额收益率贡献 ............................................................7 表3：策略分年度表现 .................................................................................................7 表4：新调入的股票列表 ..............................................................................................8 表5：新调出的股票列表 ..............................................................................................8 表6：保持上期持仓的股票列表 ....................................................................................9 金融工程月报 4 / 10 请务必阅读正文之后的信息披露和法律声明 1. 前言 本系列报告跟踪多个不同的选股策略和单个投资组合。我们以尽可能接近真实投资的方式进行跟踪。随着时间的推进，我们可能会对选股策略进行完善甚至增删，但这并不影响我们给出的投资组合跟踪是样本外的。在每一期，我们总是选择一个我们最看好的策略来给出当期的股票持仓，并持有到下一个月。 2. 选股策略跟踪 2.1. 策略一：十因子机器学习残差因子 用风格因子퐵푇−Δ푇加权线性回归股票收益率푅푇： 푅푇=퐵푇−Δ푇∙푏푇+ 휀푇, (1) 其中，푏푇为风格因子的拟合系数，휀푇为股票的特质收益率。用机器学习模型拟合特质收益率关于十个风格因子퐵푇−Δ푇的函数，将该函数作用于最近一期的风格因子上，然后将得到函数值进行风格中性化处理，便得到基于十因子的机器学习残差因子。我们在研报《德邦金工机器学习专题之