财通证券-“星火”多因子专题报告（八）：组合风险控制，协方差矩阵估计方法介绍及比较-20191015
由bigquant创建，最终由bigquant 被浏览 72 用户
投资要点
本篇是系统化资产配置系列报告的第三篇，对如何利用机器学习算法进行短期市场择时进行了系统介绍。
全球金融市场每天产生海量的各类数据，如何筛选并有效利用这些数据来预测股票市场走势一直是一个重要但棘手的问题。
短期择时面临的主要困难包括：
1.短期市场走势受情绪等因素影响较大；
2.如何筛选有效因子；
3.非线性因子如何建模；
4.因子相关性问题如何解决；
5.因子较多时如何避免过拟合等。
幸运的是，机器学习技术的发展给我们提供了一条有效利用并筛选大量因子数据的途径。
本报告中，我们将股市未来的涨和跌定义为一个分类问题，利用机器学习算法来对Wind全A指数的未来涨跌建模。
我们利用51种日频因子数据构建基于决策树的AdaBoost分类器，从而对下一交易日Wind全A指数的涨（1）跌（-1）做出预测。51种因子中包含回购利率，信用利差、南华商品指数收益率、金油比、标普500指数等多种类型的市场信息。
回测结果显示，若不考虑交易成本，滚动测算的AdaBoost多空择时策略在2014年10月27日至2019年8月30日获得了41.31%的年化收益率和1.41的收益风险比，纯多头策略的年化收益率达到24.67%，收益风险比达到0.98，而同期简单持有策略的年化收益率和收益风险比仅有7.66%和0.26。
基于决策树的AdaBoost算法解决了构建择时模型面临的多个问题，它实现了：
1.有效因子的自动筛选
2.非线性因子的建模
3.通过自适应调整样本权重解决因子相关性问题
4.不易过拟合，模型较稳健
最后，我们通过叠加水晶球择时模型，充分利用期权市场信息，形成了表现更加出色的双塔奇兵择时模型。
在单边万五的交易成本假设下，多空策略在2015年6月1日至2019年8月30日实现了15.90%的年化收益率和0.72的收益风险比，纯多头策略年化收益率和收益风险比也分别达到13.16%和0.70，而同期Wind全A收益率仅有-11.18%。
风险提示：结论基于历史数据，在市场环境转变时模型存在失效的风险。
正文
/wiki/static/upload/58/58249764-b4d9-4c85-85d9-eb701a240499.pdf
\