导语:本篇报告详尽地介绍了基于人工智能的阿尔法策略框架,包括基于AI技术在策略研究上的阶段性的工作和成果,并提供完整代码,读者可克隆策略,复现效果和继续改进。
希望本文能帮助读者拓展研究思路,应用AI来做更好的策略研发,把人工智能的能力赋予更多的投资者 (Democratize AI to empower investors)。
摘要
本篇报告构建了一个完整的可复用的 人工智能阿尔法策略框架。
本篇报告用AI对基本面、财务、交易型等 282个因子 做了单因子策略研究和多个维度上的绩效分析,并 发掘了在短、中、长周期上多个夏普比率超过1.5 、年化收益超过 30% 的因子。
本篇报告也对AI和传统方法的效果做了对比,相同因子下,AI的效果远超传统方法,收益有100%以上的提升,这主要得益于StockRanker非线性模型学习能力、大数据和强大计算资源等方面相较于传统人工的优势, 能最大限度的发掘因子的价值。
引言
近年来,量化投资行业得到了迅速的发展,随着理论升级和技术更新,Barra风险结构模型逐步得到更广泛和更深度的应用。多因子模型为Barra风险结构模型的一个简化模型,其基本假设就是相似的资产会有相似的回报。由于某些特定的原因(因子),资产的收益也会表现出一致性,例如价量变化、行业、规模或者利率变化。多因子模型旨在发掘能够带来超额收益的阿尔法因子,并且确定收益率随因子变化的敏感程度。
传统多因子模型在 A 股过去若干年内也获得较为稳健的超额收益。然而,由于市值效应在 A 股市场的影响过于明显,导致传统多因子模型或多或少都受其影响。 尤其是自2016年11月以来,随着A股市场风格的急剧变化,策略稳定性受到了一定冲击。从目前市值因子的收益波动性而言,小市值因子超额收益的黄金时代可能已经过去。2017,券商研报构建了交易型阿尔法选股体系,旨在挖掘短期盈利机会,对原有传统阿尔法选股体系形成极大补充。
本篇报告将开创性地构建全新的多因子模型体系——人工智能阿尔法选股体系,这又将成为传统阿尔法选股体系和交易型阿尔法选股体系的极大补充,从而更深入地推进多因子模型体系的理论和实证研究。人工智能阿尔法选股体系简称AI阿尔法体系,是利用人工智能领域中的机器学习技术,将挖掘因子收益的潜力发挥极致。
本篇报告中,我们对基本面因子、财务因子、交易型因子共计282个因子在短期、中期、长期的因子收益进行了测试,因子一部分来自WorldQuant、券商研报,一部分来自于BigQuant因子库,因子数据都为个股日频数据。本文采取的是StockRanker AI策略,以2011.01.01-2015.12.31的数据作为训练集,以2016.01.01的数据作为测试集,并验证模型在测试集上回测的绩效结果。其中策略收益率最高的为持仓40天的总市值排序因子,2016.01.01到2017.01.01期间年化收益为108%,即使小市值因子在今年发生回撤,AI阿尔法体系下的StockRanker策略远远超过了传统阿尔法体系下的小市值策略。
AI阿尔法体系是对传统阿尔法体系和交易型阿尔法体系的补充,也是以机器学习为代表的人工智能技术在量化交易领域比较成熟的应用,是一种有全新思路、独立设计的交易体系。希望AI阿尔法体系的构建,能够展现人工智能技术在金融量化领域发挥真正威力。
由于文章内容丰富,此处只是部分报告,想要阅读完整报告请点击下面 原文链接。
原文链接:https://community.bigquant.com/t/%E3%80%90%E9%87%8D%E7%A3%85%E3%80%91AI-AlphasA%E8%82%A1%E7%89%88/994
本文由BigQuant宽客学院推出,版权归BigQuant所有,欢迎转载。