主动量化组合跟踪：6月机器学习红利股优选策略表现出色

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。6月该因子表现承压，IC值转负。样本外整体策略长期表现良好，但6月策略超额收益为-11.02%，表现较上月明显下滑。 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，我们创新性地将Mamba-2模型加入整体模型架构，该模型通过SSD把SSM计算重写为矩阵乘+少量结构化算子，既继承Mamba的“选择性状态压缩”，又在系统层面获得与GPU硬件高度匹配的输入输出优势，形成“表达力-效率-可扩展性”的三重平衡。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MBGRU+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6月超额收益率分别为-0.11%、-1.74%和-1.47%，本月策略整体表现承压。 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。6月选股策略收益率为-7.38%，中证红利全收益为-8.99%。固收+策略超额收益率为0.30%，小幅跑赢固收+基准的，整体表现相对稳健。 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......................................................................4 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.................................................................................72基于Mamba改进的GRU+LGBM沪深300指数增强策略跟踪........................................73基于Mamba改进的GRU+LGBM中证500指数增强策略跟踪........................................84基于Mamba改进的GRU+LGBM中证1000指数增强策略跟踪.......................................9 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.........................................................6图表7：MBGRU+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：MBGRU+LGBM沪深300指数增强策略净值....................................................7图表9：MBGRU+LGBM沪深300指数增强策略指标....................................................8图表10：MBGRU+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：MBGRU+LGBM中证500指数增强策略净值...................................................8图表12：MBGRU+LGBM中证500指数增强策略指标...................................................9图表13：MBGRU+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：MBGRU+LGBM中证1000指数增强策略净值..................................................9图表15：MBGRU+LGBM中证1000指数增强策略指标.................................................10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............................................................11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....................................................12图表20：中证红利选股策略7月份持仓..........................................................12 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12.05%，T统计量为12.36，有良好的预测效果。本月该因子IC值为-7.35%，因子表现承压。 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11.14%，信息比率为1.39。样本外策略长期表现良好，但6月策略超额收益为-11.02%，表现较上月明显下滑，动量、价值等因子本月拖累较为明显。 4最新策略信号 根据我们的策略规则，最新信号持仓如下： 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，我们创新性地将Mamba-2模型加入整体模型架构，该模型通过SSD把SSM计算重写为矩阵乘+少量结构化算子，既继承Mamba的“选择性状态压缩”，又在系统层面获得与GPU硬件高度匹配的输入输出优势，形成“表达力-效率-可扩展性”的三重平衡。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。 通过LightGBM集成MBGRU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Mamba改进的GRU+LGBM沪深300指数增强策略跟踪 在沪深300成分股中，模型在样本外整体表现优异，IC均值8.49%，多头年化超额收益率9.87%。本月因子表现有所波动，IC为0.96%，多头超额收益率为-0.89%。 来源：Wind，国金证券研究所 为贴合交易实际，我们构建了基于MBGRU+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8.30%，超额最大回撤为7.26%，本月策略表现一般，超额收益率为-0.11%。 3基于Mamba改进的GRU+LGBM中证500指数增强策略跟踪 在中证500成分股中，模型在样本外整体表现较好，IC均值为8.39%，多头年化超额收益率为10.01%。本月因子表现承压，IC为-0.15%，多头超额收益率为-0.24%。 来源：Wind，国金证券研究所 使用同样的组合优化方式和回测设定，MBGRU+LGBM中证500指数增强策略的年化超额收 益率为9.39%，超额最大回撤为8.48%。本月因子表现修复，但策略层面跑输基准，超额收益率为-1.74%。 4基于Mamba改进的GRU+LGBM中证1000指数增强策略跟踪 在中证1000成分股中，模型在样本外整体表现优异，IC均值11.65%，多头年化超额收益率16.02%。本月因子表现有所波动，IC为-0.33%，多