Lasso 滚动多因子选股策略
由bq5973r5创建，最终由bq5973r5 被浏览 6 用户
1. 策略概览
本策略是一套A股量化多因子选股方案：在沪深300与中证500成分范围内，先进行可交易性与基础质量过滤，再使用多个具备明确经济含义的因子构建特征，采用滚动训练的 Lasso 回归模型预测未来10个交易日收益，并据此排序选择Top股票构建组合，按固定节奏调仓。
- 交易市场：A股（沪深300+中证500）
- 预测目标：未来10个交易日收益
- 建模方法：标准化 + Lasso（L1正则的线性回归）
- 组合构建：Top20 等权
- 调仓频率：每10个交易日调仓一次
2. 股票池与数据过滤逻辑
为提高实盘可执行性与稳定性，股票池满足：
- 去ST、去停牌；
- 估值与规模有效：PE为正、流通市值为正；
- 剔除新股：上市天数 > 365；
- 仅在沪深300或中证500成分中选股（容量与流动性更好）。
3. 标签（预测目标）的数学定义
定义未来10日收益（标签）为：
4. 因子（特征）体系与经济含义
对每只股票构建特征向量（示例为6个因子）：
5. 标准化（Z-score）的数学形式
由于因子量纲不同，先进行标准化以保证可比性。对训练集内每个因子 j：
6. Lasso 回归的数学目标函数（核心原理）
Lasso 在标准线性回归的基础上加入 L1 正则项，在每次滚动训练时求解：
它控制“克制程度”：越大越保守，越小越像 OLS。
这带来两个效果：
- 收缩（shrinkage）：系数整体往0拉，减少极端权重；
- 稀疏（sparsity）：部分系数直接变成0，相当于自动做变量选择。
Lasso 做的事可以一句话概括：在菱形可行域里找误差最小的点。
想象椭圆从中心一圈圈往外扩，第一次碰到菱形边界的那个相切点，就是 Lasso 的解。
关键在于：菱形有尖角。
椭圆第一次碰到边界时，很容易在尖角处相切。尖角又往往在坐标轴上。
落在坐标轴上意味着：某一个系数正好为0。
这就是 L1 正则产生稀疏性的几何直觉。
这张图讲的是：Lasso 的最优性条件（KKT）带来软阈值效应。
横轴可以理解为：不加 L1 时的估计或一次梯度更新会到哪里；纵轴是加了 L1 后最终输出的系数。
蓝线是不加正则的恒等映射 y=x。橙线是加 L1 后的输出：中间一段被压平。
所以它同时实现两件事：
小系数直接清零；大系数也会被减去一截变得更保守，这就是收缩。
举个数字例子，如果 lambda=1：
原本想更新到0.6，最后变0；原本想更新到2.3，最后变1.3。
这就是 Lasso 为什么既能做变量选择，也能抑制过拟合。
直观解释：L1 正则具有“软阈值”特性，会把弱信号或高度共线的因子系数压到0，实现“收缩 + 自动筛选”，在金融噪声环境下通常更稳健、更可解释。
7. 可扩展方向
- 加入行业/风格暴露约束、波动率目标控制；
- 从等权升级为风险平价或约束优化；
- 扩展因子维度（质量、成长、资金流、情绪等）；
- 若样本更大、特征更多，可探索 LightGBM 等非线性模型，但需更严格的交叉验证与防过拟合机制。
策略源码（仅供参考）：
https://bigquant.com/square/ai/2d230f50-ad5f-43b2-82d5-9b1f1f44b382