天注19-创业板-F100-70-y86

策略思想

1. 策略思路

本策略通过结合机器学习和传统因子分析，进行中短期动量选股。核心在于使用DAI/机器学习输出的排序预测，结合多种因子（如回报率和成交量）构建组合。主要因子包括过去90天和30天的回报率分位值、成交量排名及日内回报。剔除ST股票和数据缺失的样本后，通过预测排序选取排名靠前的标的，实现最大化收益。

2. 策略介绍

策略的设计以机器学习的排序输出为重要参考，各因子可视为对股价变动的潜在驱动因素（如动量效应）。策略运用均值-方差理论，通过分析不同标的的预测得分来构建组合权重，并使用分阶段资金分配策略进一步优化持仓。交易规则为每日调仓，确保组合能够迅速适应市场变化。资金分配采用1/log(i+2)的权重分配方式，使得预期收益较高的投资标的权重更大。

3. 策略背景

量化投资领域中，机器学习逐渐成为预测资产价格的重要工具。通过将机器学习与量化因子分析结合，可以更有效地从历史数据中挖掘规律，识别出可能的套利机会。自2010年起，量化因子逐渐成为核心选股策略之一，其能够针对不同市场环境调整选股方法，特别是在处理大规模数据、快速交易决策方面具有优势。

策略优势

1. 整合多重因子: 策略将机器学习预测与具体因子（如动量和成交量）结合，有助于提高选股的精准度和投资回报。

2. 快速反应市场变化: 每日调仓机制使得策略能迅速调整持仓，应对市场快速变化，避免系统性风险。

1. 多元化分散投资: 通过资金占比和持仓限制，有效降低单一资产对整体组合波动的影响。

4. 灵活的资金管理: 分阶段的资金使用策略（建仓期采用渐进式资金分配）使得风险管理更为灵活，在行情变化剧烈时可有效控制组合风险。

1. 避免极端压力影响: 结合剔除ST股票、异常样本的机制，有助于策略规避由于个别极端事件引发的大幅波动风险。

策略风险

1. 市场风险: 受到市场系统性波动影响，由于策略高度依赖历史数据预测未来表现，因此可能在市场发生极端变化时效果有限。

- 应对建议: 使用市场对冲工具，如指数期货、选取不同类别资产对冲市场系统性风险。

1. 个股风险: 尽管剔除ST股票和异常样本，个股的成长性和市场波动仍可能导致预期外的风险事件。

- 应对建议: 扩大样本标的覆盖范围，增加策略的容错性和对个股极端波动的承受能力。

1. 模型风险: 机器学习模型可能在市场环境变化时失效，尤其是在极端事件（如金融危机）期间表现会受限。

- 应对建议: 定期更新和优化机器学习模型，加强模型在不同市场周期的适应性和稳健性评估。

1. 流动性风险: 由于使用的因子包括成交量，对低成交量标的的持仓可能增加流动性风险。

- 应对建议: 调整持仓策略，选取流动性较好的标的进行投资；必要时可少量增加持有的股票数量来分散该风险。