机器学习合成非线性因子，增强效果如何？
创建于 更新于
摘要
本报告针对多因子选股中因子合成的难题，尝试使用九种机器学习模型（逻辑回归、朴素贝叶斯、支持向量机、决策树及集成树模型、神经网络等）进行因子合成。通过在沪深A股全市场约2010至2020年的滚动训练与回测，机器学习方法在多头组合中表现出一定的增强作用，其中神经网络、随机森林和XGBoost表现最佳，决策树表现最差。异于传统等权或IC加权方法，机器学习能捕捉因子间非线性关系，提升了空头组合收益，尤其是技术面因子表现更优。报告还揭示了规模与估值因子有效性下降，财务质量因子重要性上升的趋势。样本量减少（中证500样本）时，机器学习效果减弱，线性模型表现反而更好。[page::0][page::6][page::8][page::31][page::38][page::39]
