• 机器学习多因子选股中，监督学习的数据标注直接影响模型预测效果，分类问题一般采用二分类标签，回归问题标签连续，本文以XGBoost模型为基础系统测试多种数据标注方法（见图表1-5）[pidx::5][pidx::7]

- 通过多次测试结合随机数种子避免模型随机性影响，提高结果说服力，测试流程详见图表5、7，月度滚动训练和年度交叉验证保证参数稳定[pidx::7][pidx::9][pidx::10]

• 对比XGBoost分类模型(XGBC)和回归模型(XGBR)，单因子回归和IC测试中XGBR表现优异，因子收益率均值分布显示XGBR显著领先（图表12-14）[pidx::13]

- 分层测试中两模型表现接近，TOP组合年化收益率、信息比率均良好，XGBR在股票池全A股基准中信息比率有优势（图表15-18）[pidx::14]

• 基于策略组合回测，XGBR相较XGBC在信息比率上稳定领先，超额收益率达16%-18%（图表19-21）[pidx::15]

- 通过三类回归标签（夏普比率、信息比率、Calmar比率）建立的模型分别优化对应指标，XGBR-Sharpe夏普领先，XGBR-IR信息比率领先，XGBR-Calmar Calmar比率领先（图表22-34）[pidx::16][pidx::18][pidx::19]

• 运用模型等权集成（XGBR, XGBR-IR, XGBR-Calmar）构建XGBR-Combine模型，兼具三模型优点，年化超额收益率最高达18.22%，信息比率达到3.39，且表现稳定（图表35-40）[pidx::20][pidx::21][pidx::22]

- 结论强调多次测试结合随机数种子确保结果稳健，回归模型整体优于分类模型，针对不同目标的标签训练效果符合预期，集成模型综合提升表现稳定性和收益水平[pidx::23]

金工研究：人工智能选股之数据标注方法实证 华泰人工智能系列之十七 —— 深度分析

---

一、元数据与报告概览

• 报告标题：人工智能选股之数据标注方法实证 华泰人工智能系列之十七

- 作者及联系方式：林晓明、陈烨、李子钰、何康，分别附有执业证书编号和电话/邮箱

• 机构：华泰证券股份有限公司研究所

- 发布日期：2019年03月13日

• 研究主题：该报告深入研究了在多因子选股中，机器学习模型训练过程中的数据标注方法（data labeling），并通过实证测试不同标注方法对模型选股表现的影响，聚焦XGBoost模型的分类与回归方法，以及基于不同标签（夏普比率、信息比率、Calmar比率）的模型训练和集成效果。

- 核心内容摘要：
- 报告首先强调数据标注方法在机器学习监督学习框架中的重要性——不同的标签确定直接影响模型训练目标和输出结果。
- 通过多次随机数种子测试保证模型结果的稳定性和统计可靠性。
- 对比了XGBoost的分类（XGBC）和回归（XGBR）两种模型框架，回归模型整体表现更为出色。
- 引入了以夏普比率、信息比率和Calmar比率作为标签的三种回归模型，并发现它们各自在相应指标上表现优异。
- 通过等权集成模型XGBR-Combine融合三者优势，显著提升选股策略的综合表现和稳定性。

• 结论重点：等权集成模型在年化超额收益率、信息比率、最大回撤和Calmar比率等多维度指标上均优于单一模型，且表现更稳定，体现了数据标注方法多样性和模型集成优化的重要价值。

- 风险提示：AI模型基于历史经验总结，存在失效风险，且可解释性较低，投资应用须谨慎。

---

二、逐章精读与剖析

2.1 研究导读与数据标注方法简介

报告首先介绍监督学习的三大研究重点（模型优劣、训练集处理、数据标注方法），本研究聚焦第三点——数据标注。数据标注定义为给训练样本赋予目标标签的过程，不同标注直接影响损失函数，进而影响模型训练与预测结果。在多因子量化选股模型中，选择合适的标签形式至关重要。

具体举例说明了“分类 vs 回归”的区别：

• 回归：预测连续变量（如未来收益率），需近似连续标签。

- 分类：常见为二分类（上涨/下跌），标签为离散变量。

报告以图表2和3形象示范用市盈率EP因子预测未来股票涨跌的回归和分类输出，强调这两种方法的不同处理方式和模型选择。例如线性回归拟合连续收益，逻辑回归拟合涨跌概率。

2.2 新颖数据标注方法定义

除了传统用未来收益作为标签，报告提出并测试了基于以下三种综合指标的标签标注策略：

• 夏普比率（Sharpe Ratio）：收益除以收益波动率，反映单位风险收益。

- 信息比率（Information Ratio）：超额收益率除以跟踪误差波动率，衡量超越基准的风险调整收益。

• Calmar比率（Calmar Ratio）：超额收益除以最大回撤，反映回撤风险下的收益表现。

这些指标均计算相对中证500的超额收益及风险指标，创新地使用这些指标作为监督学习的标签，目的为训练模型聚焦更风险调整的优质股。

2.3 验证方法与随机数种子多次测试

为消除模型训练与金融市场固有的随机性影响，报告设计“随机数种子+多次测试”实验程序。每个数据标注方法对应训练n次模型，改变随机种子，统计回测指标的分布及其均值，以实现统计学意义上的稳健结果。此方法图表5直观展示流程，确保测试差异非偶发性。

2.4 模型集成方法

报告创新地探讨了将不同标注方法训练的模型进行等权集成，即从各模型的多次训练预测结果中抽样组合并加权平均，兼顾每个模型的优势，避免单一标注方法带来的局限和风险。图表6详细展示了此随机组合和标准化的流程。

2.5 数据标注流程与测试步骤

报告制定严谨的实证流程，包含以下几个核心步骤（详见图表7-9）：

• 数据准备：全A股池，剔除ST股、停牌、上市不足3个月股票，时间区间2011/1/31-2019/2/28。

- 因子提取：每月末计算82个因子暴露度，进行去极值（中位数法）、缺失值填充（行业均值）、行业市值中性化及标准化处理。

• 数据标注：分类标签、回归标签（超额收益率）、夏普、信息比率、Calmar比例等多标签方法，对应标签数据均经过标准化。

- 年度交叉验证调参：时序交叉验证确保过去6年数据训练，当前年测试，防止信息泄露。

• 月度滚动训练与样本外测试：每月根据历史72个月数据训练最优模型参数，进行预测。

- 模型评价：单因子测试、分层测试、构建多空策略回测，多次随机种子测试对比评价指标分布。

这一科学流程保障了实验数据的完整性、预测的稳健性和检验的可信度。

---

三、图表深度解读

3.1 回归与分类模型性能对比（图表12-14）

• 图表12展示了100次随机种子测试下，XGBoost分类（XGBC）与回归（XGBR）模型的RankIC和回归法平均指标，XGBR除RankIC外其他指标均略优。

- 图表13为两模型RankIC均值分布，XGBR分布较为集中，XGBC有较明显分散。

• 图表14显示因子收益率均值分布中，XGBR明显优于XGBC，说明回归模型在收益预测方面整体表现更为稳定和优异。

此数据支持回归方法对多因子选股的优势。

3.2 单因子分层测试（图表15-18）

• 图表15显示两模型按因子分层五层组合的业绩（年化收益率、夏普率等指标）均值，XGBR与XGBC差异不大。

- 图表16和图表17-18展现TOP层组合年化超额收益率和信息比率的分布，XGBR略占优势且更集中。

说明回归模型在精挑细选高质量股票方面稍强，但差别不算巨大。

3.3 策略组合构建与回测（图表19-21）

• 图表19揭示构建相对中证500的市值、行业中性全A选股策略时，XGBR在信息比率指标上持续领先。

- 图表20-21表现XGBR的年化超额收益率和信息比率分布更集中且略高于XGBC，某种程度上验证回归标签带来的策略更稳定收益。

3.4 专项标签比较——基于指标的回归模型性能（图表22-34）

• 使用夏普比率标注（XGBR-Sharpe）模型在多空组合夏普比率（图表24-25）明显高于基础回归模型，年化收益率提升明显，但波动率未必降低（图表22）。

- 使用信息比率标注（XGBR-IR）模型在信息比率指标（图表29、31）优于基础模型，年化超额收益率提升，但跟踪误差稍增。

• 使用Calmar比率标注（XGBR-Calmar）模型在Calmar比率（图表32、34）表现更佳，主要得益于收益提升而非最大回撤显著降低。

以上均支持针对性标签能提升对应风险调整指标，符合预期。

3.5 模型集成效果（图表35-40）

• 图表35-36说明XGBR-Combine即集成模型在年化超额收益率、信息比率、最大回撤和Calmar比率四个关键指标上的均值和标准差均优于单一模型，说明稳定性和综合性更强。

- 图表37-38显示集成模型的回测指标分布更集中，表现更可靠。

• 图表39-40给出不同权重偏离情况下的累计超额收益与回撤走势，XGBR-Combine总超额收益最高，最大回撤最低（或次低），且信息比率优异，验证了集成模型的优势。

---

四、估值分析

本报告并未涉及传统意义上的企业估值分析，而是聚焦于机器学习模型训练中标签定义的策略表现。因此未包含DCF、PE或EV/EBITDA等估值内容，但通过多维风险调整回报指标为模型表现提供了量化“估值”及投资质量指标。

---

五、风险因素评估

• 模型风险：AI模型基于历史数据训练，模型策略存在“历史失效”的风险，遇市场结构性变革或极端事件可能表现不佳。

- 解释性风险：模型“黑盒”性质导致使用者对模型内部决策逻辑理解有限，难以预判异常行为或失误。

• 市场风险：选股模型虽通过多次测试剔除随机性影响，但未来可能遭遇市场环境根本改变，影响预期收益。

- 操作风险：涉及高频操作、仓位控制、市值行业中性调整等复杂流程，执行层面或带来额外摩擦与误差。

报告提示谨慎使用，建议结合稳健风控策略。

---

六、批判性视角

• 报告对数据标注方法进行了系统且全面的测试，流程科学，但所有模型训练均基于2011-2019年的历史数据，可能存在较强的时间依赖性，未来其它市场周期或微观结构变化的适用性存在不确定。

- 稳健性测试采用多次随机数种子，然而仅基于XGBoost模型，未考虑更广泛的机器学习算法（如深度学习等），模型选择的多样性和泛化性能有待进一步考察。

• 模型集成方法简单采用等权加权，未深入探讨加权优化策略，可能存在进一步提升空间。

- 虽有多维指标权衡，但未体现交易成本、流动性限制的动态影响，实盘表现可能受到隐含成本影响。

• 报告未详细讨论对市场极端风险（黑天鹅事件）下模型表现的敏感性和风险缓释策略。

整体报告严谨客观，结论合理可信，但仍有提升空间。

---

七、结论性综合

本研究围绕机器学习多因子选股的关键环节——数据标注展开，通过严谨的随机种子多次测试方法，验证不同数据标签（经典收益率、夏普比率、信息比率、Calmar比率）对模型训练和预测表现的影响。核心发现为：

• 回归标签优于分类标签，XGBoost回归模型（XGBR）的多项指标优于分类模型（XGBC），表现更稳健。

- 目标标签的选取对模型表现有明显驱动作用，采用夏普比率、信息比率、Calmar比率标注各有针对优势，能提升对应风险调整指标。

• 通过集成多种标签训练模型的等权结合，XGBR-Combine模型综合了单模型优点，实现了综合收益和风险指标的优化，表现最佳且稳定性最高。

- 报告为人工智能选股提供了数据标注层面系统而深入的指导，确认合理标签设计的重要性和多模型集成的有效性。

图表深度解析强调，XGBR-Combine模型在100次随机测试中，年化超额收益高达约17.9%，最大回撤控制在5%-6%，信息比率与Calmar比率均表现出色，回测效果优于所有单一模型。

综上，报告展现了数据标注及模型集成在量化选股AI应用中的核心地位，对今后AI量化研究和实盘策略开发具有重要参考价值。风险方面强调模型历史有效性及解释性不足，提醒实务应用需谨慎并结合风控措施。

---

报告引用

本分析依据华泰证券金工研究所2019年3月13日发布的《人工智能选股之数据标注方法实证 华泰人工智能系列之十七》 [pidx::0]~[pidx::24]

---

附图示例：

(示例位置，实际图片请对应原文)



(注：以上图片为报告中部分重点图示的相对路径示意，详见报告原文[pidx::5][pidx::13][pidx::20])

---

综上所述，本文为量化投资领域的研究者和从业者提供了深入、系统、量化且实践导向的数据标注与模型集成实证分析，具备较高的应用价值与参考意义。

报告