天注11-创业板-F100-30-y66

策略思想

1. 策略思路

此策略是基于DAI（人工智能驱动的量化平台）和机器学习排序的短线均值回归策略，主要利用机器学习对股票进行排序筛选，具体步骤如下：

• 使用 mlag 函数生成30日和90日回报（return30、return_90），并根据这些历史回报数据进行分位排序。

- 筛除带有ST（特殊处理）标签的股票，以降低投资风险。

• 对股票样本按计算的排序position/score进行排序。

- 选择排名靠前的股票（最多一只）进行买入操作。

• 每日调仓，进行日频回测，并持有股票一天。

- 资金分配策略为每日投入资金占总资金的1/持有天数，建仓期允许等量投入，平稳后可放大至1.5倍现金使用。

• 采用当日开盘价买入，收盘价卖出的交易方式，并设置每单最低手续费与最大单股资金占比。

2. 策略介绍

均值回归策略假设股票价格会回归到其平均值，即短期内股价偏离均线的幅度会逐渐减小。因此，策略背后的理念是，当价格过低时买入（预计价格回归），过高时卖出（预计价格回落）。

机器学习在此策略中起到了排序的作用，通过对30日和90日收益进行历史数据分析，识别短期价格反转的可能性。

3. 策略背景

均值回归策略的理论基础源自金融市场的统计学假设，即资产价格在没有结构性变化的情况下会趋于归因于其历史均值。此策略尤其适合波动较大的市场环境，如创业板。这类市场中小盘股较多，成长性高但波动性也大，因此非常适合捕捉短线交易机会。

策略优势

1. 快速捕捉市场短期波动：通过日内调仓，能够及时反应市场快速变化，捕捉短期收益。

2. 资金利用率高：通过策略设计，实现在持有期外加杠，以加权投资回报。

1. 利用机器学习排序提升选股准确性：应用机器学习算法，能够更有效率地筛选出业绩表现较好的潜力股。

4. 风险分散：通过优选多只股票并根据市值占比进行资金分配，有效分散风险。

策略风险

1. 市场风险：由于该策略依赖历史数据表现，若出现市场环境不变(如政策性风险或宏观经济因素)可能导致策略无效。

- 应对措施: 定期调整模型参数，并结合其他策略辅助判断。

1. 流动性风险：短线策略频繁交易，若市场流动性不足，会明显增加买卖价差成本。

- 应对措施: 策略应设置合理的单股持仓占比，避免持仓过大。

1. 交易成本及滑点风险：由于策略高频交易，交易成本及滑点影响明显。

- 应对措施: 及时调整手续费以及滑点设置，在环境变化时动态调整策略。

1. 模型风险：机器学习模型对未来市场变化的预测能力有限，过拟合风险可能导致历史表现无法延续。

- 应对措施: 保持模型持续训练，同时引入外部市场环境分析因素辅助决策。