详情描述

基于集成学习算法的量化选股模型研究

四年前，我们通过5篇报告系统性的介绍了机器学习算法在量化选股领域的应用；四年后，我们以改进Adaboost算法为核心，扩展后的兴业定量因子库为基础，构建了动态选股模型。改变的是视角（由广度过渡到深度），不变的是初衷，我们构建的选股体系依然新颖有效。

我们引入改进后的Adaboost算法，以过去12个月的因子表现与股票月收益为训练样本，在考虑了行业市值中性化及失败者样本的情形下，构建了E-NELS因子。该因子IC为0.136，年化IC _IR达到了7.0，多空策略年化收益率61.2%，夏普率高达6.12，最大回撤仅为0.5%，有效性非常强。

进一步地，我们根据市场投资者的偏好，构建了换手率处于不同档位的选股模型。以高换手的周度选股模型为例，其因子IC达到0.12，t值高达33；多空策略年化收益率达到124.5%，夏普率高达9.82。

我们基于月度及周度E-NELS因子构建了模拟组合策略体系，包括了指数增强和主动量化在内的11个模型，整体表现优异。以针对于中证500的月度增强策略为例：超额收益率为12.6%，信息比率为4.27，最大回撤仅为2.1%。

【更多详情，请下载：基于集成学习算法的量化选股模型研究】