机器学习实战系列之二：收益复制的LASSO回归方法实践-长江证券-20171206
由qxiao创建，最终由qxiao 被浏览 91 用户
摘要
收益复制策略的应用场景
广义的收益复制策略在许多场景中都有应用价值。较为典型的收益复制应用情景包括三类：（1）极小型股票池、低调仓频率实现宽基指数跟踪；（2）通过直接持有底层资产，近似模拟基金组合收益，降低管理费用；（3）在持股受限的情形下解决受限个股替代性持仓的权重分配问题。同时，海外市场中的对冲基金指数ETF产品的设计思路对我们也有一定的参考意义。
核心方法：LASSO回归筛选和二次优化模型
系统化地实现收益复制框架并非易事，它需要回答两个核心问题：选什么股票和如何在它们之间进行权重配置。通过机器学习方法中的LASSO回归模型筛选最优股票池，然后求解二次优化模型得到最优持仓权重是本文的核心框架
构建指数、基金和个股的有效跟踪组合
在小型股票池（最大30只持仓）、低换手频率（月度调仓）的条件下，模型构建的复制组合仍能对指数、基金和个股实现长期跟踪。从指数、基金和个股三个层面的回溯结果来看，复制组合的月度平均跟踪误差分别为0.07%、0.01%和-0.16%，跟踪误差标准差分别为2.08%、4.02%和4.40%。模型的长期跟踪效果较为稳定，但短期跟踪效果仍有待提升
机器学习方法准确挖掘目标组合的持股特征
在基金和个股收益复制的研究过程中，我们发现LASSO回归准确捕捉了目标投资组合的风格和行业特征，并精确识别了基金持仓个股。这类结果对我们实时捕捉投资组合的持仓风格也有很大意义
正文
/wiki/static/upload/23/236cfab3-89a1-4ded-9dfd-27cac3ee1fb7.pdf
\