本文研究了基于机器学习提升的轮动多因子量化选股模型，旨在提升选股策略的收益和风险控制能力。
问题一：优秀因子的轮动选取
- 设计了基于因子IC、收益率和夏普比率的轮动选取方案，从BP股票量化因子库中筛选出13个候选因子，再通过三层筛选，最终确定6个优质因子（BasicEPS，EPS，VOL60，PE，ROE，PB）。
- 通过单因子策略研究和绩效分析，验证了筛选出的因子与股票收益率的相关性，并取得了较好的夏普比率。
问题二：不同机器学习算法对选股模型的影响
- 构建了四种模型：线性等权重多因子模型、基于GBDT分类法的轮动多因子模型、基于AdaBoost经验加权的轮动多因子模型、基于随机森林经验加权的轮动多因子模型。
- 结果显示，三种经验加权模型均优于线性等权重模型和GBDT分类模型，其中基于随机森林经验加权的模型表现最佳，累计收益率为38.82%，年化收益率为16.18%，夏普比率为1.01。
- 然而，所有模型都存在回撤率过高的问题，最高达到22.59%。
问题三：量化择时策略的引入
- 针对回撤率过高的问题，引入了基于MACD技术指标的量化择时策略，通过比较历史三期MACD值产生买卖信号。
- 结合择时策略后，基于随机森林经验加权的轮动多因子选股模型表现进一步提升，累计收益率为49.61%，年化收益率为20.23%，夏普比率为1.77，最大回撤率控制在10.26%以内。
研究结论
- 基于机器学习经验加权的轮动多因子选股模型能够有效提升选股策略的收益和风险控制能力。
- 量化择时策略的引入能够进一步降低回撤率，使投资组合表现更加稳定。
- 未来研究方向包括拓宽候选因子池、优化量化择时策略以及改进策略内回测。
