主动量化组合跟踪：4月机器学习中证500指增策略表现出色

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。整体该因子表现出色，IC值12.40%。样本外整体策略表现调整，4月策略的超额收益为-6.34%。 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》，原策略中我们选取了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股各类宽基指数上历史表现优异。 对此，我们根据《Alpha掘金系列之十八：基于TimeMixer改进的选股因子到ETF轮动策略》，创新性地将其多尺度混合与季节/趋势分解机制引入GRU模型，通过LightGBM集成TSGRU隐向量与传统量化因子，构建了改进的机器学习选股模型，该模型能更好地捕捉近期的市场信息，表现出色。 为贴合交易实际，我们构建了基于TSGRU+LGBM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2018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-1.93%、0.04%和-3.14%。 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0.40%的绝对收益率，择时策略收益率为2.49%。固收+策略收益率为0.35%，整体表现稳定。 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 1策略构建.................................................................................42国证2000指数选股因子跟踪................................................................43国证2000指数增强策略跟踪................................................................44最新策略信号.............................................................................5 1策略构建.................................................................................62基于TimeMixer改进的GRU+LGBM沪深300指数增强策略跟踪....................................73基于TimeMixer改进的GRU+LGBM中证500指数增强策略跟踪....................................84基于TimeMixer改进的GRU+LGBM中证1000指数增强策略跟踪...................................9 风险提示......................................................................................12 图表目录 图表1：大类合成因子与国证2000增强因子IC指标................................................4图表2：增强因子IC............................................................................4图表3：增强因子多空组合净值..................................................................4图表4：国证2000指数增强策略表现.............................................................5图表5：国证2000指数增强策略指标.............................................................5图表6：国证2000增强策略本月持仓列表.........................................................5图表7：TSGRU+LGBM机器学习选股因子在沪深300成分股的组合指标跟踪..............................7图表8：TSGRU+LGBM沪深300指数增强策略净值....................................................7图表9：TSGRU+LGBM沪深300指数增强策略指标....................................................7图表10：TSGRU+LGBM机器学习选股因子在中证500成分股的组合指标跟踪.............................8图表11：TSGRU+LGBM中证500指数增强策略净值...................................................8图表12：TSGRU+LGBM中证500指数增强策略指标...................................................8图表13：TSGRU+LGBM机器学习选股因子在中证1000成分股的组合指标跟踪............................9图表14：TSGRU+LGBM中证1000指数增强策略净值..................................................9图表15：TSGRU+LGBM中证1000指数增强策略指标..................................................9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..................................10图表17：中证红利选股策略净值走势............................................................10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..................................11 图表19：动态宏观事件因子近期给出择时信号....................................................11图表20：中证红利选股策略5月份持仓..........................................................11 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12.40%，T统计量为12.80，有良好的预测效果。本月该因子IC值-7.20%，因子表现一般。 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23.53%，信息比率为1.54。样本外策略表现良好，4月策略的超额收益为-6.34%，表现较上月表现一般。 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。我们原本策略选取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股各类宽基指数上历史表现优异，但在今年以来，尤其是近期市场风格出现调整后有失效表现。 对此，我们根据国金金融工程团队发布的《Alpha掘金系列之十八：基于TimeMixer改进的选股因子到ETF轮动策略》，基于TimeMixer时序预测框架，创新性地将其多尺度混合与季节/趋势分解机制引入GRU模型，通过LightGBM集成TSGRU隐向量与传统量化因子，构建了改进的机器学习选股模型，该模型能更好地捕捉近期的市场信息，表现出色。 2基于TimeMixer改进的GRU+LGBM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7.66%，多头年化超额收益率8.03%。优化策略本月因子表现修复，IC为-29.78%，多头超额收益率为-6.52%。 来源：Wind，国金证券研究所 为贴合交易实际，我们构建了基于TSGRU+LGBM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2018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6.49%，超额最大回撤为5.97%，经优化后本月策略表现一般，超额收益率为-1.93%。 3基于TimeMixer改进的GRU+LGBM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8.17%，多头年化超额收益率6.31%。本月因子表现修复，IC为-16.13%，多头超额收益率为-4.28%。 使用同样的组合优化方式和回测设定，TSGRU+LGBM中证500指数增强策略的年化超额收益率为9.62%，超额最大回撤为6.06%，本月策略表现明显修复，超额收益率为0.04%。 4基于TimeMixer改进的GRU+LGBM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10.71%，多头年化超额收益率10.98%。本月因子表现修复，IC为-15.93%，多头超额收益率为-4.81%。 使用同样