|
|
举荐缘由：跟着呆板進修在金融和經济范畴的利用敏捷鼓起，愈来愈多的学者操纵呆板進修东西钻研股票的截面和時候序列展望。而中國股票市場汗青较短，轨制仍然处于不竭完美的阶段，有着本身的特别性。本文按照中國市場的特性構建了一個周全的股票收益展望因子集，并操纵几大風行的呆板進修算法举行實證阐發。颠末CSPA前提展望能力查验，作者發明神經收集在分歧宏观經济前提下的表示都比力稳健，而且展望能力最强。在構建的因子集中，与市場活動性相干的因子首要性较高。斟酌到中國市場的做空限定，作者别离構建了多空和多头投資组合。计谋在2015年的狂跌中表示杰出，而且在2020年头新冠疫情時代也没有遭到紧张影响。
1. 简介
截至2020年10月，中國股票市場总市值已跨越67万亿人民币，一跃成為世界第二大股票買卖市場，仅次于美國。不但如斯，中國股票市場具備三個關头特色：
起首，与機構投資者主导的發財市場分歧，中國股市由散户投資者主导。按照上海證券買卖所2019年的数据，中國统共有2.145亿投資者，此中2.138亿是小我投資者，而只有70万是機構投資者。散户投資者的谋利举動和短線買卖可能致使换手率增长。這类特别性造成為了中國股市高度的颠簸性，可能會使股价与根基經济状态脱节。
其次，從轨制的角度来看，中國金融系统的一個關头特性是它是由中心节制，以銀举動主导的，而且存在一种怪异的瓜葛驱動模式（Allen et al., 2005）。是以，市場的主動批改機制遭到當局导向的限定和影响（Mei et al., 2009）。
第三，中國市場的卖空汗青有限，在2010年之前，中國投資者遭到较為严酷的卖空限定。很多学者都認為，卖空有助于市場订价，并可以或许使市場变得加倍有用（Saffi和Sigurdsson，2011）。大大都關于西方市場的因子投資钻研都依靠于多空计谋，但這类计谋對付中國市場来讲其實不轻易實現。
作者構建了一個怪异且周全的因子集，此中共有1160個展望指标，包含90個股票特性、11個宏观經济变量，和一组行業哑变量。起首，作者先用与钻研美國市場不异的方法構建了一组因子。然後，将一些因子调解為顺應中國股票市場的因子。接下来，作者還為中國市場專門引入了一组因子。比方，参加了Pan等人（2015）引入的异样周转率（ATR），這個因子旨在捕获股市中谋利性買卖的影响，有助于诠释中國A股的订价太高征象。
本文以Gu等人（2020）的钻研结论為根本，将遍及的呆板進修法子与現代資產订价實證钻研相连系。經由過程摸索分歧呆板進修法子的展望能力，作者發明神經收集的样本外R2较着優于其他模子。在小型企業和非國有企業的子样天职析中，样本外R2出格大。别的，将样本外R2与美國市場的钻研相比力，中國市場也显示出更大的可展望性。因為样本外R2會遭到模子選择的影响，本文利用Li等人（2020）開辟的统计测试法子来阐發模子的前提展望能力，并比力模子在分歧宏观經济情况中的表示。作者發明神經收集在這类新的统计测试下仍然稳健，而且在展望能力方面表示最佳。
在構建的因子集中，作者發明与市場活動性相干的因子首要性较高。除活動性以外，比拟根基面因子，神經收集更方向与動量和颠簸率相干的因子。作者還發明，國有企業子样本的样本外R2要小于非國有企業，這可能印證了國有企業信息不透明的名声（Piotroski等，2015）。最後，斟酌到中國的做空限定，作者發明多头投資组合也能够供给可观的收益，在包含買卖本錢以後也仍然如斯。并且這类计谋在2015年的狂跌中也表示杰出，而且在2020年头的新冠疫情影响下也没有遭到紧张影响。
2. 数据和法子
本文從中國最大的金融数据供给商Wind数据库得到了所有在上海和深圳證券買卖所上市的A股股票的逐日和每個月收益率。响應的季度財政報表数据来历于中國經济金融钻研数据库（CSMAR）。数据样本涵盖了2000年1月至2020年6月時代買卖的3900多只A股股票。同時，本文利用CSMAR数据库供给的中國一年期國债收益率作為無危害利率。
本文连系Green等人（2017）的因子設計，和其他文白內障眼藥水,献中针對中國市場特色設計的因子，創建了一個展望股票收益的大型因子库。库中采集了共94個特性指标，此中86個已在Green等人（2017）的文章中阐明，4個是已被其他学者證明肯定有用的中國特有因子，4個是暗示上市企業所有权类型的二元变量，用于子样天职析。為了防止离群值的影响，本文参考Kelly等人（2019） 和Gu等人（2020）的法子對所有持续的個股因子举行逐期横截面排序，并映照到 [-1, 1] 區間内。在数据頻率方面，有22個因子是每個月更新一次数据，51個是每季度更新一次，6個是每半年更新一次，15個是每一年更新数据。别的，本文按照中國證监會2012年公佈的《上市公司行業分类指引》，参加了80個行業的哑变量。
除上述特性外，按照從CSMAR数据库和國度统计局網站下载的数据，本文構建了11個宏观經济展望因子。此中8個变量是基于Welch（2008）的变量界说，包含股息代价比（dp）、派息率（de）、收益代价比（ep）、账面市值比（bm）、 净股本扩大（nits）、 方差（svar）、利差（tms）和通貨膨胀率（inflation）。其余三個包含月度换手率（mtr）、 M2增加率（m2gr）和國际商業额增加率（itgr）， 這些指标已被其他学者證明是有用的宏观經济展望指标。
本文统共钻研了11种呆板進修法子和两個简略的線性模子，包含简略最小二乘法（OLS）回归，只利用范围、账面市值比和動量作為自变量的简略最小二乘法（OLS-3）回归，偏最小二乘法（PLS）回归，LASSO回归、Elastic Net回归，梯度晋升回归树（GBRT），随機丛林（RF），变量子样本聚合（VASA），和一至五层的神經收集（NN1-NN5）。
本文利用根基的调参、模子测试和機能评估的法子。详细法子是，在包管時候次序的条件下，将数据分為三個不订交的時代：练习集（2000-2008）、 验證集（2009-2011）和测试集（2012-2020）。為包管模子的不乱性，本文在预先設定的超参的根本上，利用练习集和验證集举行调参。按照验證集中的测试成果，選择使方针丧失函数最小化的超参数。测试集包括了验證集以後12個月的数据，這些数据是样本外的，不會介入调参進程，用于查验模子機能。因為呆板進修模子必要的算力较大，本文鉴戒了Gu等人（2020）的样天职割方案，每一年而非每個月举行再调参，此時练习集将增长一年的数据，而验證集保持本来的巨细，并向後转動12個月。
3. 實證阐發
起首，本文經由過程样本外R2来阐發模子的展望機能，并會商分歧子样本的展望性。
3.1. 样本外的可展望性
与Gu等人（2020）的做法类似，本文利用样本外R2与他们對美國市場的钻研成果举行直接比力。對付一個给定的模子S，样本外R2界说為：
3.1.1. 全样天职析
图 1 的表中第一行记實了全样天职析成果。
在全样天职析中，OLS模子的样本外R2為0.81%，這阐明最简略的模子仍有必定的展望能力。OLS-3模子的展望能力略低于OLS模子（0.77% v.s. 0.81%），這表白仅靠三個因子（范围、账面市值比和動量）不足以阐扬線性模子的所有展望能力。值得注重的是，OLS模子在中國股市的表示遠優于美國股市。對這类差别的一個可能诠释是，作者為Huber丧失函数的超参設定了一個相對于较小的值，這致使了對数据中极值的高鲁棒性。
對付包含PLS、LASSO和Enet在内的正则化模子， 样本外R2直接反應了面临大量因子時降维的有用性。三种模子均将 样本外R2晋升到了1%以上，此中LASSO（1.43%）和Enet（1.42%）比PLS（1.28%）小有上風。這阐明一些股票特性對付展望中國股市的月收益是冗余的。VASA的 样本外R2与正则化模子的较為靠近，這多是由于作者利用了带有線性质模子的VASA。树模子、GBRT和随機丛林和五种神經收集模子的 样本外R2進一步提高到了2%以上。這反應了呆板進修法子在捕获展望因子之間的繁杂交互感化上的優胜性。与美國股市分歧的是，當神經收集暗藏层增长時， 样本外R2會增长，虽然這类改良對付四层以上的神經收集模子来讲眇乎小哉。
按照月度的 样本外R2来看，呆板進修技能在中國市場的可展望性遠高于美國市場，此中GBRT的 样本外R2是最高的，到达2.71%，几近是Gu等人（2020）那時获得的最高 样本外R2（NN4的0.40%）的七倍。即便是 样本外R2最低的OLS-3模子，也几近是美國市場最高 样本外R2的两倍。作者猜测，這多是因為两個缘由：起首，中國股市的散户投資者比例大，而且他们偏好小盘股。其次，中國股市遭到广泛存在的國有企業的影响，而國有企業的信息透明度比非國有企業低。
3.1.2. 小盘股和大盘股
為了钻研模子展望能力的潜伏异质性，本文對小盘股（每個月按畅通股本排名後30%的股票）和大盘股（每個月按畅通股本排名前70%的股票） 举行子样天职析。图1的表中第二行和第三行展現了大盘股和小盘股子样天职此外 样本外R2。成果表白，所有模子對小盘股都有更好的展望機能。此中GBRT彷佛出格凸起，最高的 样本外R2為7.27%。
固然模子對付小盘股的展望機能改良了，但對付大盘股的展望機能却低落了。所有模子的 样本外R2均低落到了1%如下。但是除個體正则化模子以外，神經收集表示出了相對于不乱的機能。
3.1.3. 小股东和大股东
上述成果表白，呆板進修法子可以有用地展望小盘股的月度收益。但是，今朝還不清晰散户投資者是不是對差别的發生阐扬了首要感化。為了深刻领會可展望性和散户投資者之間的接洽，本文進一步举行了子样天职析。作者利用了CSMAR数据库中所有上市公司的畅通A股的股东数目数据（這些数据是按季度陈述的），和响應的市值，然後經由過程计较每一個股东的均匀市值，即A.M.C.P.S.=总市值/股东数目，并按照70%的分界程度将所有股票分為两组。最後，經由過程钻研這两组的 样本外R2来钻研模子的可展望性。
3.1.4. 國有企業和非國有企業
本文别离钻研了國有企業和非國有企業的股票收益。图1的最後两行成果显示，神經收集對這两個子样本都有较為稳健的正 样本外R2。而树模子的成果是黑白各半，固然它们在非國有企業股票中表示异样好，但在國有企業股票上的表示未能優于几类回归模子。
总的来讲，國有企業和非國有企業股票的 样本外R2与作者對小盘股和大盘股的阐發结论类似，缘由是中國的國有企業常常具有庞大的市值，由于它们常常代表着銀行、根本举措措施和军事等行業的龙头企業。是以，公司范围与國有企業和非國有企業股票的观点紧密亲密相干。對付國有企業来讲，神經收集始终優于其他的模子。當比力可展望性的程度時，神經收集在國有企業子样本下的 样本外R2更大。這一察看成果再次夸大了國有企業的怪异性，展望國有企業样本的股票收益彷佛必要一种可以诠释非線性影响的高度機動的模子。這或许是因為中國國有企業的財政不透明性和股价信息量较低，是以展望它们的股票收益其實不轻易。
3.1.5. 年度可展望性
接下来，作者钻研了模子在年度层面上的展望機能。图2展現了分歧模子和子样本的每一年样本外展望R2。作者發明，年度样本外R2高于月度样本的成果，這表白呆板進修法子可以乐成地分手出较长時候内的危害溢价。有趣的是，作者發明此時模子對大盘股样本的展望機能優于對小盘股样本的機能，而大盘股可展望性的提高多是因為國有企業的可展望性的提高。别的，一样的环境也呈現在股东均匀市值的两個子样本中，所有的模子都在大股东的子样本中發生了更好的展望成果。這個成果与以前的结论相反，即模子對小盘股、小股东股票和非國日本女優,有企業表示出更强的可展望性。對付這個成果，作者将短時間可展望性，特别是小盘股，归因于散户投資者在中國股市中的短時間凸起感化。對美國股市而言，當回测從月度转為年度時，小盘股样本的可展望性彷佛大于大盘股，而中國市場则偏偏相反。這些成果揭露了中國市場和美國市場之間的显著差别，作者認為這主如果因為散户投資者短時間具備较大影响力，和當局行動可能對國有企業比力有益等缘由。
3.2. 首要的展望因子
3.2.1. 宏观經济变量
本文起首探究了所有模子中11個宏观經济变量和94個股票特性的变量首要性。對付一個特定模子，本文在每一個练习样本中将给定展望因子的所有值設置為零，计较 样本外R2的削减，并将它们的均值作為每一個展望因子的单一首要性怀抱。
图3展現了11個宏观經济变量的相對于变量首要性。對付PLS来讲，权衡股票刊行勾當程度的ntis具備最大的变量首要性。自股市開放以来，中國一向采纳审批制IPO，中國證监會常常在市場下跌時暂停或削减IPO，這使ntis在展望月度收益中阐扬的首要感化变得公道。值得注重的是，ntis也是GBRT最首要的宏观經济变量，和神經收集的第二個首要变量。别的，PLS還付与infl、m2gr和itgr较大权重，阐明這些宏观經济变量也有首要影响。
图3的成果表白，包含LASSO和Enet在内的線性模子强烈偏向于账面市值比（bm），但這個因子對PLS和VASA没有那末首要。别的，infl、ntis 和m2gr等因子在LASSO和Enet中也具備很高的優先级。与其他模子分歧，VASA更偏向于收益代价比（ep），和反應市場活動性（mtr）和颠簸率（svar）的因子。与其他回归法子比拟，树模子GBRT和RF對宏观經济变量首要性的散佈相對于更平均，阐明這两种法子可以捕获宏观經济变量和股票特性之間潜伏的非線性互相感化。
图4汇总了每一個宏观經济变量的首要性。总的来讲，作者發明infl和ntis是展望中國股市每個月收益的两個最首要的宏观經济变量，特别是對神經收集而言。比拟之下，股息代价比（dp）、市場颠簸率（svar）、每股总收益（ep）、利差（tms）和市場活動性（mtr）不那末首要。
3.2.2. 股票特性
關于总體变量首要性的排序，作者發明与市場活動性相干的股票特性在展望中國股市時最為首要，即活動性颠簸率（std_dolvol和std_turn）、零買卖日（zerotrade）和非活動性指标（ill）是最显著的展望身分。其次是根基面指标和估值比率，如行業调解後的資產周转率变革（chaotia）、行業调解後的雇員变革（chempia）、 总市值（mve）、近期红利增加次数（nincr）、行業调解後的利润率变革（chpmia）和行業调解後的市净率（bm_ia） 。第三组主如果危害指标，包含特异性回報颠簸率（idiovol）、 总回報颠簸率（volatility）和市場β（beta）。
异样周转率（atr）最初是由Pan（2015）等人引入的中國特异性身分，用来捕获谋利買卖的影响，也在呆板進修模子中阐扬了首要感化。别的，Liu (2020)等人引入的趋向身分（er_trend）可以诠释中國股票市場上代价和成交量的延续趋向，其整體变量首要性排名第四。值得注重的是，作者最初同時引入atr和er_trend，是為了顺應中國股市上大量活泼的散户投資者對資產订价的影响。先前的钻研已證了然在因子模子中包括中國特别因子的首要性，而在這里作者供给了進一步的證据，表白這些因子在更繁杂的呆板進修模子中也具備至關大的诠释能力。
神經收集模子（NN1-NN5）、正则化線性模子（PLS、lasso、Enet）和VASA凸起了雷同的展望因子的首要性。树模子GBRT和RF比其他展望模子更器重divo、rd和divi。作者猜测，這类差别是因為树模子在構建决议计划树時随機選择了股票特性的一個子集。如许一来，像divo、rd和divi如许的展望因子在某些决议计划树中可能會变得至關首要，從而与全部树模子加倍相干，而它们在其他模子中阐扬的感化却很小。
本文對变量首要性的時候变革也很器重。作者發明，正则化線性模子，包含PLS、LASSO和Enet，同享一组类似的展望因子，此中活動性指标和根基面指标是两组首要的因子。LASSO凡是選择约莫20個展望因子，而Enet選择了约莫35個展望因子，這表白很多特性其實是冗余的。PLS的变量首要性只有很小的時候变革，比拟之下，LASSO和Enet選择的展望因子中只有约莫三分之二在分歧時代具備不乱性。值得注重的是，出格是對付LASSO而言，2015年先後的变量首要性彷佛存在差距，這表白股市可能產生了佈局性变革。
最後，神經收集模子（NN1-NN5）方向于活動性变量、根基面指标、估值比率和中國独有的因子，包含异样周转率(atr)、趋向因子（er_trend）和前10名股东所有权（top10holderrate）。与其他模子比拟，神經收集在变量首要性上有更大的時候变革，這表白它们可以检测并诠释分歧展望因子展望能力的佈局性缺点。作者将這一發明归因于神經收集模子的機動性和顺應性，出格是當它们颠末了充實的数据微和谐练习後更加有用。
3.3. 前提展望能力查验（CSPA）
利用样本外R2举行模子選择在實践中可能不是很公道，由于一些展望模子的样本外 样本外R2很靠近，但在現實中的表示很是分歧。作為另外一种模子的選择，作者起首利用了Hansen（2005）的無前提上風展望能力（USPA）查验。但是，在作者的阐發中，作者注重到Hansen（2005）测试自己依然不克不及區别一些展望模子的機能，Gu（2020）等人利用的Diebold和Mariano（1995）查验也是如斯。為领會决這個问题，作者利用Li（2020）等人的前提上風展望能力（CSPA）查验進一步钻研了模子的前提展望能力。這使作者可以或许比力呆板進修法子在分歧宏观經济情况下的機能。
图5展現了在USPA和CSPA测试下特定模子被回绝的次数。USPA测试成果表白，简略OLS模子和改良的OLS-3模子表示较差，被回绝总次数至多。GBRT、RF、NN三、NN4和NN5模子的無前提展望機能均優于它们的替换模子，但USPA测试未能區别它们的機能。是以，作者也比力了CSPA的测试成果。作者察看到NN一、NN4和NN5的CSPA测试回绝总次数最小。虽然包含RF和GBRT在内的树模子也表示杰出，但當以市場层面的股票方差為前提時，它们比力轻易被回绝，而NN4和NN5可以在不异的比力中經由過程查验。别的，NN4和NN5在大大都宏观經济前提下表示都很是杰出。是以，CSPA测试使作者可以或许更周全地域分VASA、NN2和正则化線性模子的展望機能，供给统计證据，表白這些模子不如NN4和NN5的统计證据。
4. 投資组合阐發
4.1. 组合类型
作者斟酌了两种类型的呆板進修投資组合。第一個是多空投資组合。在每一個月尾，每种模子城市發生样本外股票预期收益，然後作者按照展望的收益将股票分类為十分位数，并每個月利用价值权重構建投資组合。固然多空投資组合是评估呆板進修法子投資组合程度機能的有效东西，但因為严酷的卖空限定，它很难在中國股市中實現。是以，作者也斟酌了只持有多头的投資组合，它只持有前十分之一的股票。
图6展現了价值加权的多空和多头投資组合的样本外表示。為了便于比力，作者還展現了等权投資组合的表示。在均匀预期月度收益、夏普比率和其他指标方面，所有的呆板進修投資组合都優于OLS-3投資组合和等权投資组合。钻研成果表白，呆板進修技能，出格是神經收集模子，有益于投資组合的構建。
對付多空组合，作者在中國股市得到的夏普比率较着高于Gu（2020）等人在美國市場获得的成果。因為買卖限定，多空计谋几近不成行，是以作者在诠释這些成果時很是谨严。不外多头投資组合的夏普比率最高為1.76，仍高于美國市場的多空计谋。
图7和图8展現了經由過程两种的法子構建的投資组合的积累收益率曲線。
4.2. 解除小盘股
作為稳健性查抄，作者基于大盘股子样本反复了以前的投資组合阐發。如许做有三個重要缘由：起首，中國股市的小盘股有较高的代价颠簸性，這使得投資者很难找到符合的買入点。其次，如Liu（2019）等人所说的，中國范围底部30%的股票常常蒙受因中國的IPO限定而發生的所谓的壳价值问题。第三，整體而言，大型股票的活動性程度较高，代价颠簸性较低，是以受中國10%限价程度的影响较小。
图9展現告终果。大盘股的呆板進修投資组合的表示与全样底细似。但是，因為排除小盘股，所有的投資组合都取患了较低的均匀月度收益率、夏普比率、尺度差和极真個负月度收益率。不外呆板進修法子依然盘踞主导职位地方，神經收集表示最佳，其次是正则化的線性模子和树模子。這些成果證明了呆板進修法子在中國股市上也具備超卓的投資组合层面的展望能力。
4.3. 國有企業的表示
政策可能會經由過程各类方法對國有企業的事迹發生促成感化，比方，更易得到銀行貸款、宽松的羁系和錢粮减免。但是，國有企業高度集中的國度所有权、財政不透明度和低信息量的股价，和公司治理機制的缺少，均可能會加重這些公司的解體危害。在图9中，作者展現了多空和多头投資组合的成果。
鉴于國有企業大@可%79jE3%能%79jE3%是大范%uNqF7%围@公司，作者比力了图10和图9中的成果。起首，就夏普比率而言，國有企業多空计谋的表示遠遠高于大盘股组合，特别是基于神經收集的组合。對付NN5，作者获得的夏普比率為4.12，而大盘股组合的夏普比率為2.70。對付多头投資组合，作者注重到等权投資组合确切显示了國有企業股票的下跌危害大于大盘股（也包含國有企業）。但是，操纵國有企業回報的可展望性，作者可以将多头计谋的最大回撤削减到大大低于大盘股组合的程度。
4.4. 買卖本錢
為了评估投資组合的現實表示，必需将買卖本錢纳入阐發。對付中國市場，A股買卖的本錢重要由三個部門構成：佣金、印花税和滑点。与佣金和印花税比拟，滑点必要更细心的钻研，由于因為活動性问题，在不影响市場代价的环境下，按预先划定的代价履行所有買卖常常是很坚苦的。在中國股市，2012年機構投資者的佣金在5bps摆佈，以後敏捷降低。比年来，散户投資者的佣金凡是為2-3bps，機構投資者的佣金乃至更低。自2008年以来，印花税設定為10bps，并向卖家片面征收。
作者斟酌了两种買卖方案来量化滑点的巨细。第一种方案依靠于某個月第一個買卖日前30分钟的時候加权均匀代价（TWAP），由于本文假如定单在每分钟起头時被均匀朋分并施行。是以，滑点是TWAP和開盘价之間的相對于差别。一样，第二個是估量了成交量加权均匀代价(VWAP)，作者按照20天挪動均線计较每分钟距离的買卖量，并与展望買卖量成比例履行定单。别的，作者經由過程计较買卖股票買卖量的5%来供给市場容量的大略估量。均匀而言，TWAP和VWAP与開盘代价的总误差约為10bps。在一些罕有的环境下，如2015年中國股市動荡，跟着股市開盘後敏捷上涨或下跌，滑点可能會至關大。但是，在這类环境下，交易滑点多是不异的，這可能在必定水平上削减投資者面對的現實滑点。過後计较表白，25bps多是對正常時代中國股票市場買卖本錢的公道估量。但是，斟酌到在某些极度环境下，滑点可能高于10bps。
4.5. 限价法则
逐日限价法则被遍及利用于世界各地的證券買卖所，出格是在新兴市場。中國市場對在主板和二板上市的通例股票的逐日订价限定為10%（自2020年8月以来在二板上市的股票為20%），對出格处置（ST）股票履行5%的代价限定，對在科創板上市的股票履行20%的代价限定。鉴于本文的展望范畴是一個月的遠期回報，而不是日收益，重要成果只會遭到代价限定法则的轻细影响。為了探究其對投資组合表示的影响，本文继续举行以下操作。在每一個再均衡日，解除以涨停价收盘的股票，并将卖出規划推延到代价非跌停价的日期。颠末处置後，组合收益和夏普比率依然很高。比方，對付NN4，夏普比從1.78降低到1.70。是以，总的来讲，本文的成果對付代价限定法则的参加依然是稳健的。
5. 结论
本文钻研了几类風行的呆板進修法子在中國股市上的展望能力。最關头的身分是基于活動性的因子，代价動量类因子只起到了次要感化。股票市場必要多年的時候来缔造鼓動勉励根基面投資的情况。固然中國股市正朝着這個标的目的成长，但今朝的钻研成果表白，根基面因子在這些模子中并不是最首要的因子。别的，散户投資者的短時間举動在较短的投資刻日内有本色的可展望性，出格是對小盘股。同時，因為政策在中國市場中阐扬着十分首要的感化，國有企業的可展望性在较持久内有大幅提高。本文的投資组合阐發表白，短線高可展望性上風可以转化為多空投資组合的高夏普比率。在2015年中國股市大跌的時候段，神經收集和VASA依然有强劲的表示。因為在中國市場上做空股票是难以實現的，本文也阐發了多头投資组合，發明其表示依然稳健。总的来讲，本文證明了呆板進修可以（乃至加倍）乐成地利用于与美國市場彻底分歧的市場。
海外文献举荐：因子選股类
向下滑動检察往期链接
第205期：哪些選股因子具備行業設置装備摆設能力？
第200期：阐發師展望与企業红利辦理
第185期：左尾動量：股票市場坏動静的不充實反响
第179期：价值股与發展股的久期——差别没有想象的那末大
第177期：Smart beta多因子構建的法子论：夹杂与整合
第174期：解决范围效應的问题
第173期：2018-2020年的量化危機：被大盘發展逼入绝境
第171期：Smart beta与多因子组合的最優夹杂
第170期：通胀错觉和股票代价
第164期：Smart beta 计谋中的“肉”在哪里 ?
第163期：從實體經济角度對股市将来持久收益举行展望
第160期：因子的两种类型：基于因子组合的收益分化
第157期：在 分离化收益的視角下Smart Beta是不是依然Smart
第154期：异象计谋的相干性佈局
第144期：价值因子已死？
第142期： ESG投資：從罪行股到Smart Beta
第135期：貨泉政策敞口因子MPE
第134期：横截面与時候序列因子模子比力
第125期：現金流久期因子
第118期：利用深度神經收集晋升時候序列動量计谋
第116期：更高的因子有用性评价尺度
第108期：阐發師的配合笼盖—— 動量溢出效應的本源
第99期： 低PE，發展，利率：對估值的再思虑——最聪慧的投資收受接管期
第98期：低颠簸必要很少的買卖
第97期：呆板進修期間的回测原则
第95期：防御性子的因子择時
第90期：收益展望性：来自中美两國供给链的證据
第89期：红利，保存收益，账面市值比在股票横截面收益中的感化
第87期：因子大陸上的爱丽丝梦遊：胶葛因子投資的三大错误
第79期：不肯定性、動量和红利能力
第77期：因子動量与動量因子
第71期：短時間的 Beta 仍是持久的 Alpha
第70期： SmartBeta 与多因子组合的最優設置装備摆設
第63期：劳動杠杆与股票收益的截面效應
第62期：操纵 CART 决议计划树選股
第60期：学術钻研毁了因子的展望成果吗？
第59期：计谋回测结果若何评估？
第58期： ESG 可以或许提高新兴市場投資的危害调解後收益
第56期：红利通知佈告收益及尺度化预期外红利
第54期：六因子模子与解决价值因子冗余
第 53 期：Shiller P/E与宏观經济情况
第 52 期：微观领先于宏观？非活動性對股票收益和經济勾當的展望能力
第50期：因子若何复合——自上而下及自下而上的指数構建法子
第50期：阐發陈述的可读性与股票收益
第49期：气概在债券投資中的利用
第49期：红利指标的收缩指数
第48期： HML 因子中的细节
第46期：市值效應的究竟与蜚語
第43期：呆板進修与資產订价
第43期：价值投資的究竟和蜚語
第40期：因子择時是与非
第39期：质優股与垃圾股
第38期：隔夜收益与特定企業股票的投資情感
第37期：因子選择的新指标
第36期：一种新的公平周期调解市盈率（ CAPE）展望法子
第35期：因子投資模子加强：基于深度進修来展望根基面数据
第34期：工匠阿尔法：气概投資的利用
第33期：气概投資与機構投資者
第31期：因子正交与體系性危害分化
第31期：情形根基面，模子与自動辦理
第30期：消化异象：一种投資法子
第29期：气概投資、联動性与股票收益可展望性
第28期：期估值因子的危害来历于哪里？由 PB 分化得来的證据
第28期：基于颠簸率辦理的投資组合
第26期：收益的可展望性
第25期：代价影响仍是買卖量：為甚麼是 Amihud(2002) 怀抱
第25期：金融危機時代企業社會责任的价值
第24期：股票活動性和股价狂跌危害
第22期；估量 Beta 值
第22期：价值、范围、動量、股利回報和颠簸率因子在中國 A 股市場的表示
第19期 : 發急指数 v.s. 范围因子
第18期 : 调解因子在對收益率诠释中的表示
第15期 : 改良的動量模子
第15期 : 利润质量钻研
第13期 :股票市場颠簸性与投資進修
第13期 :社會责任配合基金的分类及其绩效的权衡
第13期 :因子择時危害导向模子
第10期：操纵信息因子诠释回報
第10期 ;异质現金流和體系性危害
第9期：“赌博没有β”投資计谋钻研
第9期：操纵前提信息理解投資组合的有用性
第8期：因子择時模子
第8期：優化价值
第7期：動量解體
第7期 :動量因子及价值因子在投資组合中的應用的實證钻研
第7期：懊悔的神經證据及其對投資者举動的影响
第6期：延续過分反响和股票回報的可展望性
第6期：五因子資產订价模子在國际市場上的查验
第5期：价值的另外一面：毛红利能力溢价
第5期：卖空比例与总股票收益
第4期：剧变的贝塔：持续型贝塔和非持续型贝塔
第4期：全世界、當地和沾染的投資者情感
第4期：投資者更存眷哪些因子？来自配合基金資金流的證据
第4期：总資產增加率与股票截面收益率的實證
第3期： Beta套利
第3期：遠景理论与股票收益：一個實證钻研
第3期：趋向因子：骨病噴劑，投資時限的信息能得到收益？
第3期：時变的活動性与動量收益
第2期：CAPM新視角：突尼斯和國际市場基于copula法子的验證
第2期：本錢投資，立异能力和股票回報
第2期：風暴到临前的安静
第2期：本錢投資，立异能力和股票回報
第1期：三因子与四因子模子比拟与動量因子的有用性查验
第老虎機中大獎，1期：五因子資產订价模子
第1期：多資產组合中的動量因子影响
第1期：基于插值排序尺度化变量法和繁杂变量的均衡分手树的多因子選股模子
海外文献举荐：資產設置装備摆設类
向下滑動检察 往期链接 ↓
第193期 ：债券收益下限与資產設置装備摆設：债券在資產設置装備摆設中所饰演的脚色将于什麼時候遭到危及?
第188期 ：ESG的Alpha，Beta和Sigma：更好的Beta，分外的Alpha
第187期 ：貨泉政策的非對称效應
第156期 ：資產設置装備摆設vs.因子設置装備摆設——咱们可否構建一类二者分身的计谋
第151期 ：操纵消息情感動量举行战術性資產設置装備摆設
第143期 ：關于低危害投資的究竟与误區
第141期：操纵前锋焦点+卫星计谋指引
第126期： 操纵Fama-French五因子模子的alpha举行行業轮動
第123期： 行業收益的可展望性：利用呆板進修法子
第122期： Capital Group 2020年市場预测
第65期：經由過程 VaR Black-Litterman 模子構建 FOF 投資绝對收益组合
第56期：操纵低危害征象加强 Black-Litterman 模子：来自韩國市場的證据
第56期：颠簸率模子和颠簸率的程式化特性實證
第54期：放大市場异象
第 53 期：危害平价组合与其他資產設置装備摆設法子的比力摸索
第51期：關于公式化价值投資法子的究竟
第48期：對危害設置装備摆設計谋的再思虑
第41期：投資组合再均衡辦理的另外一类法子 - 叠加期权卖出合约
第38期： Smart Beta 计谋怎样會犯错？
第27期：危害因子的危害平价
第27期：桥水基金對危害平价和全天候计谋的一些思虑
第26期：协方差矩阵的非線性紧缩：當 Markowitz 碰见 Goldilocks
第24期：斟酌寿命危害的多变量计谋資產設置装備摆設模子
第19期：不乱性危害调解後的投資组合
第17期：鞭策多因子世界中的计谋資產設置装備摆設
第17期：用更高阶矩权衡组合分离性
第16期：将因子表露映照到資產設置装備摆設
第14期：危害平价股票组合的转售价值
第12期：機關有用收入组合
第12期：投資组合中股票数目是不是會影响组合表示
第11期：對冲基金收益優化投資组合
第5期：集中投資与全世界機構投資者事迹
海外文献举荐：事務钻研类
向下滑動检察 往期链接 ↓
第147期： 政治事務投資组合
第146期： 信息傳佈速率与卖方钻研行業
第138期：心境Beta与股票收益的季候性
第119期：节沐日前的通知佈告效應
第115期：粘性预期与红利异象
第96期：范围效應暗藏于日历效應當中
第47期：工業用電量与股票收益率
第45期：展望中國股票市場的股灾
第40期：IPO 核准對現有股票的影响：来自中國的證据
第21期：低頻调仓、收益率自相干性和季候性
第8期：機構投資者和股票拆分的信息發生理论
第6期：季候性收益
第6期：可展望的举動、利润和存眷
第6期：红利通知佈告与體系性危害
海外文献举荐：投資者举動类
向下滑動检察 往期链接 ↓
第186期：情感買卖与對冲基金收益
第183期：投資决议计划頻率對持久投資成果的影响
第180期：隔夜收益与特定公司的投資者情感
第167期：决议计划委靡和開导式阐發師展望
第161期：收益预期是若何構成的？——截面上的趋向外推
第159期：估量阐發師预期误差新法子——投資者是不是過分依靠阐發師预期
第153期：google搜刮量与小我投資者買卖者举動
第137期：股票高收益同步性象征着怎麼的代价信息含量？
第129期：“怠惰”的投資者——不成轻忽的財報说话变革
第128期：高頻買卖竞争
第105期：投資者情感對付异象的诠释是不是源于“伪回归”？
第85期：原油期貨市場的知情買卖
第78期：高頻報价：買价和卖价的短時間颠簸性
第57期：数据供给者的信息中介脚色
第55期：阐發師的從新笼盖与市場反响不足
第42期：卖方钻研在經济不景气時代更有价值吗？
第33期：公司债市場收益的共有因子
第23期：媒體存眷与消费者投資举動之間的因果瓜葛
第20期：高頻買卖之間的影响
第20期：是甚麼使得股价挪動？根基面 vs. 投資者認知
第18期：短時間機構買卖的表示
第16期：坏习气和洽法子
第11期：状况变量、宏观經济勾當与個股截面数据的瓜葛
第10期：前提夏普比率
第9期：强迫清理，减价出售与非活動性本錢
第7期：買方与卖方谁倡议買卖
第7期：懊悔的神經證据及其對投資者举動的影响
第7期：排名效應和買卖举動：卖出最差的和最佳的，疏忽其余的
第6期：延续過分反响和股票回報的可展望性
海外文献举荐：择時计谋类
向下滑動检察 往期链接 ↓
第184期： 市盈率、貿易周期与股票市場择時
第166期：時候序列因子择時与横截面因子配权的新法子
第136期：因子溢价与因子择時：一個世纪的数据验證
第106期：宏观經济的危害對因子收益的影响
第86期：哪一种趋向指标是你的朋侪
第76期：商品期貨的特质動量
第32期：行業表示能展望股市走势吗
第14期：几类择時计谋的比力
海外文献举荐：公司金融类
向下滑動检察 往期链接 ↓
第204期：媒體報导和投資效力
第182期：以整正當量化ESG投資
第150期 ： 细节决议成败：ESG数据的差别性与责任投資的意义
第145期 ： 预期辦理与股票收益率
第103期：全世界化危害溢价
第72期：自力董事的价值
第23期：經济周期、投資者情感和高本錢的外源融資
第12期：世界各地的本錢佈局决议计划：哪些身分首要
第11期：財政危害有多首要？
第3期：機構投資者對公司透明度和信息表露的影响
海外文献举荐：基金钻研类
向下滑動检察 往期链接 ↓
第199期：主题基金值得炒作吗 ？
第197期：配合基金的alpha分化：選股与赋权
第194期：基金费率能降到多低？
第192期：小样本下的配合基金挑選
第175期：呆板進修能用于基金组合構建吗？
第169期：持股的立异偏好与配合基金事迹钻研
第162期：COVID-19時代配合基金的事迹表示与資金活動
第155期：两重调解的配合基金事迹评估
第148期：持久任职的基金司理的事迹表示
第140期：价值均匀计谋、美元本錢均匀计谋和随機投資方法的收益比拟——基于多場汗青数据的實證查验
第139期：投資组合集中度与基金绩效
第133期：利用呆板進修法推理基金設置装備摆設
第132期：晨星债基气概箱構建法子论
第130期：何時基金辦理技術更有价值？
第121期：利用期权對公募基金的好处
第120期：配合基金事迹，辦理团队与董事會
第113期：基于DEA法子的配合基金事迹展望
第109期： 只有艰巨時代的赢家才能延续
第100期：廉价不必定好：论高费率配合基金的優胜表示
第94期： 基金司理是不是具備市場活動性择時能力
第92期：颠簸率与自動基金辦理者能力
第85期：自動ETF或将何去何從
第83期： 基金司理的命运与技術
第75期：ETF的战役從未遏制
第74期：气概中性FOF:分离投資仍是本錢重负
第73期：基于APB指标的配合基金事迹评估
第68期：弱市赢家方能恒强：對冲基金再分歧市場下的表示延续性
第67期：美國ESG基金成长概览
第64期：基金的alpha源自基金司理的辦理能力吗？
第52期：美國方针日期基金市場的成败之争
第51期：買方阐發師的能力与脚色钻研
第47期：下滑轨道内部應當若何設置装備摆設
第46期：時变的基金司理辦理能力
第44期：一個有用的下行危害权衡指标下的FOF 计谋
第42期：趋向跟踪计谋在方针日期基金中的利用
第41期：基金司理的小我特性与事迹
第39期：气概中性的基金中基金：分离化仍是锁定权重？
第37期：若何設計方针基金？
第34期：市場情感与技能阐發的有用性：来自對冲基金的證据
第32期：方针日期基金必要更好的分离化
第30期：一种新的权衡基金司理能力的方法
第29期：基金真的買卖越多赚的越何等？
海外文献举荐：其他
向下滑動检察往期链接 ↓
第203期：高收益债券合适自動辦理
第181期：大美國战後經济周期實證钻研
第178期：關于大宗商品投資的再思虑
第176期：指数期权套利中的提早平仓计谋
第172期：危害惧怕情感在商品期貨市場中的订价感化
第165期：商品期貨价值投資
存眷咱们
注：文中陈述节選自天風證券钻研所已公然公佈钻研陈述，详细陈述内容及相干危害提醒等详见完備版陈述。
證券钻研陈述
《天風證券-金融工程：海外文献举荐第206期》
對外公佈時候
2022年1月6日
陈述公佈機構
天風證券股分有限公司
（已获中國證监會允许的證券投資咨询营業資历）
本陈述阐發師
点击“赞”或“在看”，實時获得最新推送 |
|
發表於 2022-6-9 15:32:54
收藏