基于量化多因子的行业配置策略之三：机器学习算法下的行业轮动
创建于 更新于
摘要
本报告基于先前行业轮动多因子量化策略，创新性地引入机器学习回归算法（XGBoost、SVM 和 Weighted KNN）提升行业轮动配置效能。回测显示XGBoost和SVM有效挖掘残差非线性信息，年化收益率分别提升至31.24%、30.99%，夏普比率均超1.4，最大回撤大幅降低，表现显著优于Weighted KNN。策略结合多行业主题指数，每日调仓，强调风险控制与动态权重调整。本文也指出模型存在过拟合、样本数量有限及未计交易成本等风险，提出未来将拓展至个股层面及参数调优方案[page::0][page::2][page::5][page::10][page::11]
