主动量化组合跟踪：红利选股策略今年以来超额 9.03%

国证2000指数增强策略 经过因子测试与筛选，包括技术、反转、特异波动率等在内的因子在国证2000指数成分股上均有出色表现，我们所合成的各个大类因子也基本都起到了很好的提升效果。7月该因子出现良好，IC值17.52%。样本外整体策略表现良好，7月策略的超额收益为-0.44%。 基于多目标、多模型的机器学习指数增强策略 根据国金金融工程团队发布的《基于多目标、多模型的机器学习指数增强策略》，考虑到AI各类算法在量化领域具有较强的适用性，同时也越来越受到A股众多投资者的关注。我们选取了GBDT和NN两大类结构具有一定差异的模型，选取不同的特征数据集进行分别训练，并使用多种预测标签进行对比并融合，最终构建出的GBDT+NN机器学习选股因子在A股各类宽基指数上表现优异。 为贴合交易实际，我们构建了基于GBDT+NN因子的机器学习模型的指数增强策略，通过对投资组合的跟踪误差进行控制，最大化因子暴露。回测区间自2015年2月1日开始，假定手续费率单边千二，每月月初调仓。沪深300指数增强策略、中证500指数增强策略和中证1000指数增强策略上月超额收益率分别为-2.07%、-0.48%和-0.57%。后续随着市场恢复正常，超额收益有望进一步提升。 基于红利风格择时+红利股优选的固收+策略 我们使用经济增长和货币流动性共10个指标，通过动态事件因子的体系构建的红利指数择时策略表现优异，相较于中证红利指数全收益有显著的稳定性提升。在选股方面，我们利用AI模型在中证红利指数成分股内进行测试，得到因子表现相对较好，能够长期获得较稳定的超额收益。上月选股策略获取0.12%的绝对收益率，择时策略收益率为-1.69%。固收+策略收益率为-0.1%，整体表现较好。 风险提示 以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。 内容目录 一、国证2000指数增强策略.......................................................................31策略构建..................................................................................32国证2000指数选股因子跟踪.................................................................33国证2000指数增强策略跟踪.................................................................34最新策略信号..............................................................................4二、基于多目标、多模型的机器学习指数增强策略....................................................51策略构建..................................................................................52 GBDT+NN沪深300指数增强策略跟踪..........................................................53 GBDT+NN中证500指数增强策略跟踪..........................................................74 GBDT+NN中证1000指数增强策略跟踪.........................................................8三、基于红利风格择时+红利股优选构建的固收+策略..................................................8风险提示.......................................................................................10 图表目录 图表1：大类合成因子与国证2000增强因子IC指标.................................................3图表2：增强因子IC.............................................................................3图表3：增强因子多空组合净值...................................................................3图表4：国证2000指数增强策略表现..............................................................4图表5：国证2000指数增强策略指标..............................................................4图表6：国证2000增强策略本月持仓列表..........................................................4图表7：GBDT+NN机器学习选股因子在沪深300成分股的组合指标跟踪..................................6图表8：GBDT+NN沪深300指数增强策略净值........................................................6图表9：GBDT+NN沪深300指数增强策略指标........................................................6图表10：GBDT+NN机器学习选股因子在中证500成分股的组合指标跟踪.................................7图表11：GBDT+NN中证500指数增强策略净值.......................................................7图表12：GBDT+NN中证500指数增强策略指标.......................................................7图表13：GBDT+NN机器学习选股因子在中证1000成分股的组合指标跟踪................................8图表14：GBDT+NN中证1000指数增强策略净值......................................................8图表15：GBDT+NN中证1000指数增强策略指标......................................................8图表16：基于红利风格择时+红利股优选构建的固收+策略主要指标....................................9图表17：中证红利选股策略净值走势..............................................................9图表18：基于红利风格择时+红利股优选构建的固收+策略净值走势....................................9图表19：动态宏观事件因子近期给出择时信号.....................................................10图表20：中证红利选股策略8月份持仓...........................................................10 一、国证2000指数增强策略 1策略构建 根据国金金融工程团队发布的《中证2000指数发布，如何构建微盘股指数 增 强 策略？》,A股长期存在着大小盘轮动的现象，近两年来，小盘股明显走势占优。如何在小微盘股中进行有效选股，增厚收益，是投资者比较关心的问题。我们基于大小盘选 股逻辑差异，筛选出更适合微盘股的选股因子，针对国证2000指数成分股构建指数增强策略。 2国证2000指数选股因子跟踪 包括技术、反转、特异波动率等在内的因子在国证2000指数成分股上均有出色表现，我们所合成的各个大类因子也基本都起到了很好的提升效果。但发现技术、反转和特 异波动率因子相关性较高，我们此处将波动率因子对技术和反转因子做回归求残差得到 了相对独立的波动率因子。最终，我们将各大类因子再次等权合成并进行行业市值中性 化，构建得到国证2000增强因子。该因子的IC均值达到12.80%，T统计量为12.84，有良好的预测效果。本月该因子IC值17.52%，因子表现突出。 来源：Wind，国金证券研究所 来源：Wind，国金证券研究所 3国证2000指数增强策略跟踪 我们利用增强因子构建国证2000指数增强策略。在构建策略时，我们每月月底取因子值排名前10%的股票买入调仓，以等权方式构建多头组合。以国证2000指数作为基准，手续费率假设为单边千分之二，样本内回测时间段为2014年4月至今。 来源：Wind，国金证券研究所 基于上述因子构建的国证2000指数增强策略相较于基准有明显的优势，超额净值稳步向上。策略年化超额收益率达到14.05%，信息比率为1.87。样本外策略表现良好，7月策略的超额收益为-0.44%，表现良好。 4最新策略信号 根据我们的策略规则，最新信号持仓如下： 二、基于多目标、多模型的机器学习指数增强策略 1策略构建 根据国金金融工程团队发布的《基于多目标、多模型的机器学习指数增强策略》和 后续报告，考虑到AI各类算法在量化领域具有较强的适用性，同时也越来越受到A股众多投资者的关注。我们选取了GBDT和NN两大类结构具有一定差异的模型，选取不同的特征数据集进行分别训练，并使用多种预测标签进行对比并融合，最终构建出的GBDT+NN机器学习选股因子在A股各类宽基指数上表现优异。 2 GBDT+NN沪深300指数增强策略跟踪 在沪深300成分股中，两类模型在样本外整体表现优异，IC均值11.84%，多头年化超额收益率16.30%。本月因子表现突出，IC为-22.11%，多头超额收益率为-5.14%。 来源：Wind，国金证券研究所 为贴合交易实际，我们构建了基于GBDT+NN因子的机器学习模型的指数增强策略，通过对投资组合的跟踪误差进行控制，对个股权重偏离进行控制，最大化因子暴露。回 测区间自2015年2月1日开始，假定手续费率单边千二，每月月初调仓。策略的年化超额收益率为11.09%，超额最大回撤仅为7.72%，本月策略表现优异，超额收益率为-2.07%。 3 GBDT+NN中证500指数增强策略跟踪 在中证500成分股中，两类模型在样本外整体表现优异，IC均值9.96，多头年化超额收益率10.63%。本月因子表现优异，IC为-2.88%，多头超额收益率为0.82%。 使用同样的组合优化方式和回测设定，GBDT+NN中证500指数增强策略的年化超额收益率为11.21%，超额最大回撤为7.72%，本月策略表现优异，超额收益率为-0.48%。 4 GBDT+NN中证1000指数增强策略跟踪 在中证1000成分股中，两类模型在样本外整体表现优异，IC均值13.72%，多头年化超额收益率16.90%。本月因子表现良好，IC为5.93%，多头超额收益率为-1.73%。 使用同样的组合优化方式和回测设定，GBDT+NN中证1000指数增强策略的年化超额收益率为16.57%，超额最大回撤为7.52%，本月策略