——2023年中期投資策略報(bào)告核心觀點(diǎn)根據(jù)宏觀因子跟蹤體系，經(jīng)濟(jì)樂觀預(yù)期需適度降溫，但自上而下A股仍值得超配，主板(價(jià)值風(fēng)格)有望在更長時(shí)間延續(xù)強(qiáng)勢。六維度綜合行業(yè)配置模型2022年2月對外跟蹤以來，累計(jì)收益率17.30%，相對行業(yè)等權(quán)超額19.06%，仍是穩(wěn)健的行業(yè)比較體系，但2023年中美經(jīng)濟(jì)顯著分化后，將對行業(yè)表現(xiàn)特征產(chǎn)生歷史性干擾，務(wù)必提前思考與調(diào)整?；诙嗑S度定量增強(qiáng)及人工智能算法的選股策略成為機(jī)構(gòu)化時(shí)代下的新方向。以面向?qū)嵄P策略而開發(fā)的多維度量化模型整合，今年以來主動(dòng)權(quán)益FOF策略相對基準(zhǔn)超額13.31%，ETF組合相對基準(zhǔn)超表現(xiàn)強(qiáng)勁。市場研判：經(jīng)濟(jì)樂觀預(yù)期需適度降溫，但自上而下A股仍值得超配宏觀因子中，跨市場全球宏觀因子體系表現(xiàn)回顧：近期增長類因子的美國增長、歐洲增長以下行為主，中國增長短期折返，總體來看歐美庫存周期中期下行、中國內(nèi)生經(jīng)濟(jì)中期向上不變；金融條件類因子短期略有收緊；原油供給因子近期震蕩為主。預(yù)計(jì)5-6月國內(nèi)處于普林格六周期的階段二，建議配置股票。中債久期擇時(shí)組合最新建議為維持短久期防御配置。根據(jù)我們的A股上市公司業(yè)績跟蹤體系，一季報(bào)情況顯示當(dāng)前基本面尚不支持全面牛市的到來，建議精選受益于中國經(jīng)濟(jì)內(nèi)生增長的超預(yù)期個(gè)股。行業(yè)比較方法論：量化視角下的多體系行業(yè)跟蹤宏觀因子方面，我們選擇了多維度的宏觀指標(biāo)，對每個(gè)行業(yè)采用逐步回歸法構(gòu)建模型進(jìn)行預(yù)測，按照預(yù)測值選前3行業(yè)的組合，2018。行業(yè)基本面方面，通過梳理行業(yè)邏輯，篩選重要指標(biāo)，選擇其中和行業(yè)ROE、超額收益都具有高相關(guān)的指標(biāo)構(gòu)造單行業(yè)量化基本面擇時(shí)策略，各行業(yè)的多空年化收益率均高于12%。財(cái)務(wù)指標(biāo)方面，基于正式財(cái)報(bào)信息構(gòu)建行業(yè)財(cái)務(wù)指標(biāo)，測試表明盈利和成長能力相關(guān)指標(biāo)及其邊際變化對行業(yè)的選擇有參考意義。我們構(gòu)造的復(fù)合財(cái)務(wù)因子，第一分組年化超額收益7.16%，夏普比率0.33。業(yè)成分股預(yù)期ROE上調(diào)比例、行業(yè)ROE變化值因子，超額收益率超過5%，夏普比率接近0.3。基金資金流方面，基于有約束的半衰加權(quán)Lasso約束回歸對股票型基金進(jìn)行倉位估算，并基于此構(gòu)造動(dòng)量策略，使用過去半年至過去一個(gè)月板塊變動(dòng)最大的板塊構(gòu)造持有一個(gè)月的多頭。策略從2011年至今年化超額收益率7.84%。行業(yè)比較新思考：中美經(jīng)濟(jì)持續(xù)分化對行業(yè)配置影響深遠(yuǎn)從中信一級各行業(yè)指數(shù)月度表現(xiàn)分析，2020年9月以來，以家電，地產(chǎn)為主的地產(chǎn)鏈以及以食品飲料為主的消費(fèi)板塊繼續(xù)維持了與中國本報(bào)告由中信建投證券股份有限公司在中華人民共和國(僅為本報(bào)告目的，不包括香港、澳門、臺灣)提供。在遵守適用的法律法規(guī)情況下，本報(bào)告亦可能由中信建投(國際)證券有限公司在香港提供。同時(shí)請參閱最后一頁的重要聲明。丁魯明丁魯明dinglumingAC編號：S1440515020001段瀟儒ucsccomc808SAC編號：S1440520070005王超dcqcsccomc808SAC編號：S1440522120002相關(guān)研究報(bào)告金融工程研究報(bào)告頁的重要聲明PMI的正相關(guān)關(guān)系，但以煤炭，有色為代表的上游周期行業(yè)則呈現(xiàn)與美國PMI的正相關(guān)。需正確面對本輪中國經(jīng)濟(jì)復(fù)蘇的行業(yè)受益特征與歷史的顯著變化。業(yè)績報(bào)回顧：主板中小市值板塊分化，非銀地產(chǎn)等行業(yè)業(yè)績增速環(huán)比增長超20%采用超預(yù)期因子作衡量當(dāng)期寬基指數(shù)表現(xiàn)，指標(biāo)顯示主板超預(yù)期而中小市值板塊低于預(yù)期。在2023Q1中業(yè)績增速環(huán)比正增長的風(fēng)格板塊包括周期二、金融和成長，前二者的業(yè)績增速環(huán)比增長在10%以上。2023Q1業(yè)績增速環(huán)比增長前五的行業(yè)為非銀行金融，房地產(chǎn)，電力及公用事業(yè)，電力設(shè)備及新能源，傳媒，其業(yè)績增速環(huán)比增長均在20%以上。量化選股：滬深300內(nèi)量化精選組合年化超額收益20.79%我們通過有效性檢驗(yàn)精選有效因子，并結(jié)合六維度行業(yè)輪動(dòng)ETF組合結(jié)果，實(shí)現(xiàn)對好行業(yè)+好個(gè)股的優(yōu)中選優(yōu)，構(gòu)建了滬深300內(nèi)量化精選組合從2016年2月至今，年化收益25.88%，相對滬深300年化超額收益20.79%，最大回撤32.19%，信息比1.85%。今年以來(截止4月30日)，策略絕對收益7.55%，相對超額3.34%。人工智能：AlphaZero：基于AutoML-Zero的高頻數(shù)據(jù)低頻化因子挖掘框架基于Google的AutoML-Zero算法，將其應(yīng)用到因子挖掘領(lǐng)域構(gòu)建了AlphaZero框架，通過構(gòu)建基礎(chǔ)算子以及因子，結(jié)合進(jìn)化算法進(jìn)行高頻低頻化因子挖掘。構(gòu)建AlphaZero時(shí)，我們限制了搜索空間以及優(yōu)化了算子結(jié)構(gòu)，提高了進(jìn)化效率，但是另一方面也限制了所生成程序的可能性。從最終的結(jié)果我們也可以看出，挖掘出的因子也是在經(jīng)典量價(jià)因子的基礎(chǔ)上進(jìn)行了一定的變異。人工智能：基于openFE的基本面因子挖掘框架基于openFE的基本面因子挖掘方法，將三大報(bào)表的數(shù)據(jù)以及基礎(chǔ)算子之間按照一定結(jié)構(gòu)進(jìn)行排列組合，構(gòu)建出70萬個(gè)不同風(fēng)格類型的因子，再利用openFE的兩步篩選法，選出不同風(fēng)格類型下表現(xiàn)最好的合成因子。對比因子的表現(xiàn)，動(dòng)量，市值，行業(yè)最為重要，其次為估值及成長因子，質(zhì)量因子表現(xiàn)較為一般。利用構(gòu)造的合成因子以及基礎(chǔ)因子訓(xùn)練月頻的選股模型，回測區(qū)間內(nèi)，全市場內(nèi)選股的年化超額為21%，夏普比率為.19。人工智能：如何部署本地版大語言模型提高研究效率對于金融工程研究而言，除了日常的網(wǎng)頁版交互，通過ChatGPT的API接口能夠使研究工作效率極大提高。隨著各類技術(shù)的應(yīng)用，本地化部署開源大語言模型框架也得以實(shí)現(xiàn)。我們介紹了如何本地部署開源大語言模型Vicuna，能夠在程序中調(diào)用各類模型，提高研究工作效率。面向?qū)嵄P應(yīng)用：六維度行業(yè)輪動(dòng)模型對外跟蹤以來超額收益率19.06%，今年以來超額6.78%根據(jù)自上而下，結(jié)合宏觀、量化基本面、財(cái)務(wù)因子、分析師預(yù)期、機(jī)構(gòu)偏好、量價(jià)技術(shù)和資金流等維度，我們構(gòu)建了六維度綜合行業(yè)配置模型。自2022年2月開始對外跟蹤以來，模型累計(jì)收益率17.30%，相對行業(yè)等權(quán)超額收益19.06%，今年以來模型收益率12.3%，相對行業(yè)等權(quán)超額6.78%。面向?qū)嵄P應(yīng)用：今年以來行業(yè)輪動(dòng)主動(dòng)權(quán)益FOF策略超額13.31%，ETF-FOF超額6.68%我們建立了基于規(guī)劃求解的方案，將效果優(yōu)秀的六維度行業(yè)輪動(dòng)模型應(yīng)用至基金選擇上。今年以來主動(dòng)權(quán)益FOF策略相對主動(dòng)權(quán)益基金累計(jì)超額收益13.31%，ETF組合絕對收益相對股票指數(shù)基金超額收益6.68%。風(fēng)險(xiǎn)提示：模型為歷史數(shù)據(jù)，存在失效可能。金融工程研究報(bào)告頁的重要聲明 金融工程研究報(bào)告 2023.4.30) 27 圖表45：組合各年收益(截至報(bào)告期末) 29 圖表47：組合凈值走勢(截至報(bào)告期末) 30圖表48：組合各年收益(截至報(bào)告期末) 30 金融工程研究報(bào)告頁的重要聲明圖表50：組合凈值走勢(截至報(bào)告期末) 31圖表51：組合各年收益(截至報(bào)告期末) 31 金融工程研究報(bào)告頁的重要聲明1300.624-20520505美國增長因子同比20020R2=6-426300.624-20520505美國增長因子同比20020R2=6-426一、宏觀因子體系下的資產(chǎn)配置框架與觀點(diǎn)更新我們構(gòu)建了自上而下從宏觀大類資產(chǎn)到細(xì)分板塊的研究跟蹤體系。包括跨市場的全球宏觀因子體系，基于風(fēng)險(xiǎn)平價(jià)策略的戰(zhàn)略配置組合，基于普林格周期理論的策略的戰(zhàn)術(shù)配置組合。對債券類資產(chǎn)構(gòu)造了中債久期擇時(shí)策略；對股票類資產(chǎn)構(gòu)建了A股上市公司業(yè)績跟蹤體系。不變經(jīng)濟(jì)增長類因子中，美國增長最新值為-0.86，近四周小幅上行0.14，分項(xiàng)驅(qū)動(dòng)信號主要來自匯率、權(quán)益市場，短期震蕩下行；歐洲增長最新值為-0.56、近四周小幅上行0.27，驅(qū)動(dòng)信號來自匯率、權(quán)益市場；結(jié)合制造業(yè)PMI來看，歐美增長中期回落趨勢不變，體現(xiàn)的是庫存周期下行的力量。中國增長反彈收斂，最新值為-1.28，近四周下行-0.51，分項(xiàng)信號來自匯率、商品等市場，結(jié)合PMI來看，短期經(jīng)濟(jì)修復(fù)有所折返，中期仍是內(nèi)生上行趨勢。美國增長ISM制造業(yè)PMI(右)5.00704.003.002.00.000.00-2.006560555045-3.0040數(shù)據(jù)來源：wind、中信建投ISM制造業(yè)PMI同比0數(shù)據(jù)來源：wind、中信建投3.002.00.000.00-2.00-3.00歐洲增長歐元區(qū)制造業(yè)PMI3.002.00.000.00-2.00-3.004.00數(shù)據(jù)來源：wind、中信建投656055504540歐元區(qū)制造業(yè)PMI同比40RR2=06-46-42244歐洲增長歐洲增長因子同比2-2-數(shù)據(jù)來源：wind、中信建投金融工程研究報(bào)告頁的重要聲明2505中國增長因子同比505中國增長因子同比501.000.500.00-0.50-2.00-2.50-3.00中國增長官方制造業(yè)PMI501.000.500.00-0.50-2.00-2.50-3.002.00數(shù)據(jù)來源：wind、中信建投535251504948474645官方制造業(yè)PMI同比20RR2=0.60-644-244-20數(shù)據(jù)來源：wind、中信建投金融條件類因子中，美國、歐洲、中國的金融條件指數(shù)最新值分別為1.2、2.2和0.6，近四周分別上升0.11、0.16、0.33，總體來看，在海外加息預(yù)期小幅上升，國內(nèi)資金利率短期上行的背景下，金融條件略有收6543210數(shù)據(jù)來源：wind、中信建投選取對涵蓋股票、債券、商品三大類的7種國內(nèi)資產(chǎn)，構(gòu)建基于資產(chǎn)和基于主成分宏觀因子的月頻調(diào)倉風(fēng)險(xiǎn)平價(jià)策略，其中后者是宏觀因子在資產(chǎn)配置中，僅基于風(fēng)險(xiǎn)進(jìn)行配置的應(yīng)用。選取的具體標(biāo)的為：權(quán)益資產(chǎn)中的滬深300全收益、中證1000全收益指數(shù)，債券資產(chǎn)中的中債國債總財(cái)富1-3年指數(shù)、中債國債總財(cái)富3-5年指數(shù)、中債國債總財(cái)富7-10年指數(shù)及中債信用債總財(cái)富指數(shù)，商品期貨中的金指數(shù)。金融工程研究報(bào)告頁的重要聲明3每月末求解各資產(chǎn)的權(quán)重，使得各資產(chǎn)對組合的風(fēng)險(xiǎn)貢獻(xiàn)相等，具體參見《理論與應(yīng)用指南：風(fēng)險(xiǎn)平價(jià)詳解》一文。從策略的表現(xiàn)來看，自2010年3月以來，風(fēng)險(xiǎn)平價(jià)策略取得了3.88%的年化收益率，年化波動(dòng)率1.78%，最大回撤-2.37%，夏普比率2.18，月度勝率74%，雙邊年化換手率38.6%。策略最近12個(gè)月收益率3.3%，最大回撤-0.31%。90%80%70%60%50%40%30%20%10%0%滬深300中證1000中債國債總財(cái)富1-3年中債國債總財(cái)富3-5年中債國債總財(cái)富7-10年中債信用債總財(cái)富策略凈值(右)1.9數(shù)據(jù)來源：wind、中信建投化率73%數(shù)據(jù)來源：wind、中信建投2023年5月，策略在滬深300、中證1000上的權(quán)重分別為1.95%和1.21%，在債券資產(chǎn)中選擇中債國債總財(cái)富1-3年、3-5年、7-10年指數(shù)和中債信用債總財(cái)富指數(shù)上的權(quán)重分別為31.61%、16.88%、12.58%和32.79%，在滬金上的配置比例為2.98%。普林格周期脫胎于美林時(shí)鐘模型，在美林時(shí)鐘模型增長/通脹的基礎(chǔ)上加入信貸指標(biāo)來更好的適應(yīng)貨幣主義時(shí)代。在普林格周期中，使用先行指標(biāo)(M1、M2同比)，同步指標(biāo)(GDP同比、工業(yè)增加值同比)，滯后指標(biāo)(PPI同比)三個(gè)指標(biāo)來衡量經(jīng)濟(jì)周期，將經(jīng)濟(jì)周期劃分為六個(gè)階段，并計(jì)算了在上述各個(gè)階段中各類資產(chǎn)的回報(bào)率和股票不同風(fēng)格回報(bào)率，結(jié)果表明，在經(jīng)濟(jì)周期各個(gè)階段的輪換中，不論是大類資產(chǎn)還是股票風(fēng)格，其收益率均有所分化，優(yōu)勢品種有超越大市的表現(xiàn)，具體周期劃分以及表現(xiàn)如下圖。金融工程研究報(bào)告頁的重要聲明4數(shù)據(jù)來源：wind、中信建投在經(jīng)濟(jì)周期第一階段，央行仍實(shí)行寬松的貨幣政策，繼續(xù)增加貨幣供應(yīng)量，推行各種財(cái)政政策刺激經(jīng)濟(jì)。從資產(chǎn)配置的角度看，此時(shí)一般短期利率會上行，同時(shí)債市經(jīng)歷熊市之后也將迎來拐點(diǎn)，因此債券與現(xiàn)金成為這一時(shí)刻的優(yōu)質(zhì)資產(chǎn)。但是在這一階段，生產(chǎn)與通脹仍處于下降區(qū)間，高波動(dòng)資產(chǎn)依然有相當(dāng)高的風(fēng)險(xiǎn)，不建在經(jīng)濟(jì)周期第二階段，通貨膨脹繼續(xù)回落，GDP增長率開始上升，雖然閑置的生產(chǎn)力還沒有完全的利用起來，但企業(yè)的利潤率已企穩(wěn)開始回升，同時(shí)央行為了使經(jīng)濟(jì)全面恢復(fù)會持續(xù)增加貨幣供給。從資產(chǎn)配置的角度看，這時(shí)權(quán)益市場筑底完成，是配置的最佳時(shí)期，建議高配。在經(jīng)濟(jì)周期第三階段，三指標(biāo)同步上行，經(jīng)濟(jì)全面恢復(fù)，企業(yè)利潤率高速上行。從資產(chǎn)配置角度看，此時(shí)各行各業(yè)生產(chǎn)力火力全開，對原材料需求較高，商品迎來行情，此使股票受益于企業(yè)基本面快速抬升以及經(jīng)濟(jì)上行的預(yù)期會獲得普漲，此階段建議高配股票和商品。在經(jīng)濟(jì)周期第四階段，生產(chǎn)增長開始減緩，通貨膨脹上升。GDP增長雖然在上升，但增速已明顯放緩，為抑制過熱的投資，央行開始加息減少貨幣供應(yīng)量。從資產(chǎn)配置角度看，由于股票投資收益依賴企業(yè)的利潤率和利率水平，商品是最佳的資產(chǎn)配置選擇，同時(shí)股票也有一定的配置價(jià)值，但是需要重點(diǎn)關(guān)注盈利支撐。在經(jīng)濟(jì)周期第五階段，GDP增長降低到長期增長趨勢以下，但是通貨膨脹依然繼續(xù)上升，經(jīng)濟(jì)進(jìn)入滯脹階段。從資產(chǎn)配置角度看，權(quán)益市場已經(jīng)疲態(tài)初現(xiàn)，不建議配置，而商品處于最后的瘋狂，可以配置但是有一定的風(fēng)險(xiǎn)，此時(shí)黃金成為最優(yōu)資產(chǎn)。在經(jīng)濟(jì)周期第六階段，三指標(biāo)同步下行，經(jīng)濟(jì)增長嚴(yán)重乏力，從而導(dǎo)致了通貨膨脹開始下降，企業(yè)利潤率也遭遇滑鐵盧。從資產(chǎn)配置角度看，此時(shí)建議配置避險(xiǎn)屬性明顯的黃金與債券，其中債券以現(xiàn)金更優(yōu)。改進(jìn)版普林格周期配置建議跟蹤根據(jù)我們的改進(jìn)版普林格周期，普林格六周期信號更新：階段2，預(yù)計(jì)持續(xù)到6月前后。當(dāng)前市場流動(dòng)性有所改善，先行指標(biāo)預(yù)計(jì)上行。2022年12月以來，疫情快速過峰，全國各行各業(yè)開始復(fù)蘇，春節(jié)期間第三產(chǎn)業(yè)相關(guān)行業(yè)迎來報(bào)復(fù)性反彈，預(yù)計(jì)同步指標(biāo)觸底回升，正式進(jìn)入上升區(qū)間。當(dāng)前物價(jià)開始回落，滯后指標(biāo)下行。建議配置股票。金融工程研究報(bào)告頁的重要聲明5根據(jù)我們改進(jìn)的普林格周期理論構(gòu)建的策略，過去7年年化收益21.33%，夏普比率1.66，最大回撤-6.38%，分年來看，過去7年策略均獲得正收益。.50.005000002016-012017-012018-012019-012020-012021-012022-012023-01數(shù)據(jù)來源：wind、中信建投1%4%%7%5.71%54%%67%%6%3.438%數(shù)據(jù)來源：wind、中信建投中債久期擇時(shí)策略為季度調(diào)倉，每季度末選擇未來一年預(yù)期收益率最高的期限品種進(jìn)行集中持倉，當(dāng)策略一段時(shí)間表現(xiàn)不佳時(shí)選擇將持倉信號改為動(dòng)量信號，即選擇過去一段時(shí)間表現(xiàn)較好的品種進(jìn)行集種持倉。金融工程研究報(bào)告頁的重要聲明62014/3/12014/8/12015/1/12015/6/12015/11/12016/4/12016/9/12017/2/12017/7/12017/12/12018/5/12018/10/12019/3/12019/8/12020/1/12020/6/12020/11/12021/4/12021/9/12022/2/12022/7/12014/3/12014/8/12015/1/12015/6/12015/11/12016/4/12016/9/12017/2/12017/7/12017/12/12018/5/12018/10/12019/3/12019/8/12020/1/12020/6/12020/11/12021/4/12021/9/12022/2/12022/7/12022/12/12023/5/1中債久期擇時(shí)中債中債久期擇時(shí)1數(shù)據(jù)來源：wind、中信建投2022年11月30日開始樣本外跟蹤，截至2023年4月底，中債久期擇時(shí)策略累計(jì)絕對收益1.03%。我們基于2023年3月底模型信號對2023年二季度持倉進(jìn)行決策，中債久期擇時(shí)策略選擇貨幣型市場基金(銀華日利)進(jìn)行持倉。數(shù)據(jù)來源：wind、中信建投根據(jù)A股上市公司業(yè)績跟蹤體系，滬深300，創(chuàng)業(yè)板指超預(yù)期值低于同期均值，中證500超預(yù)期值高于同期均值，但正向超預(yù)期來自少數(shù)個(gè)股的集中貢獻(xiàn)，指數(shù)整體超預(yù)期情況并不穩(wěn)定。從一季報(bào)來看，三大指數(shù)的超預(yù)期程度并不樂觀，尤其主板一季報(bào)低于預(yù)期說明中美經(jīng)濟(jì)分化下海外經(jīng)濟(jì)對主板影響也比我們此前預(yù)期更高，不過考慮到四月份中國GDP等指標(biāo)迎來利好，上市公司業(yè)績有望在二季度持續(xù)回升。一季報(bào)情況顯示當(dāng)前基本面尚不支持全面牛市的到來，建議精選受益于中國經(jīng)濟(jì)內(nèi)生增長的超預(yù)期個(gè)股。通過回測，最近5年(2018年-2022年)我們的A股指數(shù)擇時(shí)模型滬深300擇時(shí)準(zhǔn)確度為75%，中證500擇時(shí)準(zhǔn)確度為60%，創(chuàng)業(yè)板指擇時(shí)準(zhǔn)確度為45%。金融工程研究報(bào)告頁的重要聲明7數(shù)據(jù)來源：wind、中信建投二、量化視角下的行業(yè)比較與展望我們根據(jù)自上而下的宏觀、財(cái)務(wù)指標(biāo)、行業(yè)量化基本面、分析師預(yù)期、機(jī)構(gòu)持倉、量價(jià)等多維信息，構(gòu)建了六維度綜合行業(yè)配置體系。2.1、宏觀因子跟蹤體系我們的宏觀因子跟蹤體系綜合選擇了多維度的宏觀因子，包括：反映房地產(chǎn)開發(fā)進(jìn)度的房地產(chǎn)開發(fā)投資累計(jì)同比，反映工業(yè)企業(yè)利潤的PPI和工業(yè)增加值，反映國內(nèi)物價(jià)情況的CPI和生豬均價(jià)，反映美國物價(jià)指數(shù)的CRB指數(shù)，反映國內(nèi)經(jīng)濟(jì)增長情況的名義GDP和實(shí)際GDP，反映國內(nèi)貨幣發(fā)行情況的M1,M2和社融增速，反映國內(nèi)債券市場流動(dòng)性的10年期國債收益率，信用利差，期限利差，反映美國債券市場流動(dòng)性的10年期美債收益率，反映A股市場估值水平的EP(除金融市盈率倒數(shù))，DP(上證紅利指數(shù)股息率)，反映A股市場活躍度的上證指數(shù)波動(dòng)率。我們模型構(gòu)建的方法采用逐步回歸法，對每個(gè)中信一級行業(yè)(除綜合金融)構(gòu)建對應(yīng)模型，按照預(yù)測值選前3行業(yè)組合，2018年1月到2023年4月相對行業(yè)等權(quán)累計(jì)超額190.5%，年化超額22.13%。金融工程研究報(bào)告頁的重要聲明8資料來源：Wind，中信建投2.2、行業(yè)基本面跟蹤體系行業(yè)的一個(gè)基本面信息來自中觀的量化基本面。我們通過構(gòu)造量化基本面指標(biāo)，對單個(gè)行業(yè)進(jìn)行擇時(shí)，具體方法為：通過閱讀行業(yè)研究深度報(bào)告，厘清行業(yè)邏輯和重要指標(biāo)，構(gòu)建待選指標(biāo)池，測試其中的指標(biāo)和ROE的相關(guān)性，選取和ROE相關(guān)性高的指標(biāo)計(jì)算和行業(yè)相對萬得全A指數(shù)超額收益的相關(guān)性；最后選擇和ROE、行業(yè)超額收益都高相關(guān)的指標(biāo)構(gòu)造單行業(yè)擇時(shí)策略。此前已經(jīng)完成了包括煤炭、鋼鐵、有色金屬、農(nóng)林牧漁、建材、化工、家電等行業(yè)的中觀擇時(shí)研究，其對應(yīng)的擇時(shí)指標(biāo)概覽如下表，各行業(yè)的多空年化收益率均高于12%。。/邏輯-----號2.3、財(cái)務(wù)指標(biāo)跟蹤體系財(cái)務(wù)因子對應(yīng)行業(yè)基本面信息的實(shí)際值。金融工程研究報(bào)告頁的重要聲明9根據(jù)最新可得的實(shí)際財(cái)務(wù)數(shù)據(jù)，我們梳理了涵蓋償債能力、成長能力、收益質(zhì)量、現(xiàn)金流量、盈利能力、營運(yùn)能力、資本結(jié)構(gòu)等七個(gè)維度，總計(jì)49個(gè)財(cái)務(wù)指標(biāo)。由于多數(shù)財(cái)務(wù)指標(biāo)的邏輯對金融地產(chǎn)相關(guān)行業(yè)適用性較低，針對中信一級行業(yè)構(gòu)建財(cái)務(wù)因子(包括下文的分析師預(yù)期指標(biāo))時(shí)，不包含銀行、非銀行金融、房地產(chǎn)、綜合金融四個(gè)行業(yè)?？紤]到權(quán)益市場邊際定價(jià)的特征，并且財(cái)務(wù)指標(biāo)都是比率值或增長率類數(shù)值，其一階差分和二階差分計(jì)算方便且可以橫向比較。因此對每個(gè)財(cái)務(wù)指標(biāo)，在使用指標(biāo)原始數(shù)值作為因子的基礎(chǔ)上，我們進(jìn)一步計(jì)算其環(huán)比增量因子、二階差分因子?？傮w來看，對財(cái)務(wù)指標(biāo)因子的測試表明，就行業(yè)之間的橫向比較和優(yōu)選而言，較為有效的財(cái)務(wù)指標(biāo)類別包括盈利能力和成長能力類的環(huán)比增量因子，以及成長能力類的原始因子；即盈利和成長能力相關(guān)指標(biāo)及其邊際變化對行業(yè)的選擇有重要參考意義。額空年化空夏性34958%量因子10866%金融工程研究報(bào)告頁的重要聲明上述財(cái)務(wù)單因子中，對同一指標(biāo)類型、同一構(gòu)建方式下的不同因子，存在相關(guān)系數(shù)較高的情況下，保留其中夏普比率較高的多頭組合，及夏普比率、勝率綜合較高的第1或5組組合。根據(jù)表中的組合構(gòu)建符合因子的方式為：對符號多頭組合，各組合的持倉行業(yè)賦予權(quán)重1，非持倉行業(yè)賦值0，對分組組合，各組合的持倉行業(yè)賦予權(quán)重0.5，非持倉行業(yè)賦值0，從而得到單期各行業(yè)的復(fù)合財(cái)務(wù)因子。根據(jù)復(fù)合財(cái)務(wù)因子對行業(yè)從高到低分5組測試，當(dāng)出現(xiàn)單期排名相同的情況時(shí)，向前追溯往期得分，直至可以完全區(qū)分各因行業(yè)的排序?yàn)橹?，將最終的排名作為分組依據(jù)。從下圖來看，復(fù)合財(cái)務(wù)因子整體呈較好的單調(diào)性，2007年8月以來，第一組組合年化超額收益率最高，為7.16%，夏普比率達(dá)0.326，最大回撤相對更??；第五組表現(xiàn)最差，嚴(yán)格的單調(diào)性在第三四組之間被打破，二者的表現(xiàn)在歷史大部分時(shí)間中非常接近。(%)(%))(%)%)第1組9.9230.420.326-64.7459.097.162組3組77.454組5.455組43770我們分別計(jì)算單季度ROE數(shù)值、單季度ROE環(huán)比增量、ROE-TTM數(shù)值、ROE-TTM環(huán)比增值四種類型的實(shí)際行業(yè)ROE因子，并使用不同的報(bào)告期作為數(shù)據(jù)計(jì)算節(jié)點(diǎn)：歷史_報(bào)告期0(與實(shí)際財(cái)務(wù)數(shù)據(jù)完全可得的最新報(bào)告期)、未來_報(bào)告期1(歷史報(bào)告期0的下一報(bào)告期)、未來_自然季0/1/2(計(jì)算時(shí)點(diǎn)所屬季度對應(yīng)的報(bào)告期或以此向后順延1-2個(gè)報(bào)告期)。其中，歷史_報(bào)告期0為實(shí)際類因子，其余四種報(bào)告期的計(jì)算均使用了未來信息。我們對未來的ROE，計(jì)算行業(yè)預(yù)期ROE的上調(diào)比例/環(huán)比變化因子，選擇取值前4的行業(yè)構(gòu)造多頭策略，各因子的多頭組合表現(xiàn)如下表。預(yù)期調(diào)整類的ROE因子的表現(xiàn)明顯好于行業(yè)預(yù)期ROE數(shù)值因子，其中各有一個(gè)因子的年化超額收益率超過5%，夏普比率接近0.3。金融工程研究報(bào)告頁的重要聲明率520372969349在行業(yè)輪動(dòng)的探索上，我們認(rèn)為公募股票型基金的基金經(jīng)理對板塊倉位的看法體現(xiàn)著市場關(guān)注的焦點(diǎn)，如果能夠構(gòu)造指標(biāo)反應(yīng)基金經(jīng)理對板塊輪動(dòng)的方向把握并跟蹤，就可以跟隨市場上最優(yōu)秀的基金經(jīng)理進(jìn)行行業(yè)輪動(dòng)從而獲取超額收益。而公募基金的全持倉披露存在兩個(gè)問題：一是存在滯后性，公募基金半年報(bào)及年報(bào)披露期相較于披露時(shí)點(diǎn)有兩個(gè)月以上的延遲，二是頻率過低僅有6月和12月披露，這導(dǎo)致很難使用現(xiàn)有數(shù)據(jù)構(gòu)造因此我們基于基金倉位估算結(jié)果構(gòu)造行業(yè)輪動(dòng)模型，在基金倉位估算部分，基金池選擇并入二級分類18個(gè)月以上的普通股票型基金和偏股混合型基金。由于中信一級行業(yè)分類共有30個(gè)，短期內(nèi)會出現(xiàn)同漲同跌情況，使用回歸時(shí)共線性問題會導(dǎo)致對行業(yè)倉位的估算出現(xiàn)較大誤差，所以我們將30個(gè)中信一級行業(yè)分類人為降維至10個(gè)板塊進(jìn)行分析。成長金融穩(wěn)定消費(fèi)I消費(fèi)II新能源車制造周期I周期II綜合傳媒房地產(chǎn)電力及公用事業(yè)紡織服裝家電電力設(shè)備及新能源國防軍工鋼鐵建材綜合非銀行金融交通運(yùn)輸商貿(mào)零售農(nóng)林牧漁汽車機(jī)械基礎(chǔ)化工建筑綜合金融計(jì)算機(jī)銀行食品飲料煤炭輕工制造通信消費(fèi)者服務(wù)石油石化有色金屬數(shù)據(jù)來源：Wind、中信建投我們使用估算板塊倉位構(gòu)造動(dòng)量策略，使用過去半年至過去一個(gè)月板塊變動(dòng)最大的板塊構(gòu)造持有一個(gè)月的多頭，為了防止通道效應(yīng)，策略分為4通道。策略相對十個(gè)板塊平均持有，從2011年至今年化超額收益率7.84%，多空收益年化14.55%。今年以來多頭相對板塊基準(zhǔn)超額收益1.5%，多空收益5.23%。金融工程研究報(bào)告頁的重要聲明數(shù)據(jù)來源：wind、中信建投三、中美分化情景的量化基本面分解本節(jié)內(nèi)主要容是我們各體系之外，是康波視角下中美獨(dú)立經(jīng)濟(jì)分化下的大膽推演和模型補(bǔ)充。2020年9月中國房地產(chǎn)“三條紅線政策”拉開了中美PMI徹底分化的序幕，2023年中國官方制造業(yè)PMI正在刷新10年新高，美國PMI則持續(xù)下行至2008年次貸危機(jī)以來最低水平(除2020年4月新冠事件)，兩者正呈現(xiàn)A股33年歷史上最大分化，經(jīng)濟(jì)分化仍將繼續(xù)拉大。金融工程研究報(bào)告頁的重要聲明數(shù)據(jù)來源：wind、中信建投我們選取各中信一級行業(yè)較大市值的1/2個(gè)股作為行業(yè)大市值代表并計(jì)算2018年3月中美貿(mào)易戰(zhàn)以來行業(yè)機(jī)械，汽車，電子，計(jì)算機(jī)，輕工，通信，非銀金融，食品飲料與中國PMI正相關(guān)?；A(chǔ)化工，汽車，石油石化，鋼鐵與美國PMI正相關(guān)，通信與美國PMI負(fù)相關(guān)。其中2018年3月中美貿(mào)易戰(zhàn)以來，通信是唯一行業(yè)表現(xiàn)與中國PMI正相關(guān)，與美國PMI負(fù)相關(guān)。這一現(xiàn)象也一定程度解釋了今年以來三大運(yùn)營商較為優(yōu)異的表現(xiàn)。數(shù)據(jù)來源：wind、中信建投金融工程研究報(bào)告頁的重要聲明我們選取中信一級行業(yè)絕對收益作為各行業(yè)代表計(jì)算2020年9月以來與中美PMI相關(guān)性，結(jié)果表明：鋼石油石化，煤炭，有色，電力，鋼鐵，基礎(chǔ)化工，電力設(shè)備及新能源，電子與美國PMI正相關(guān)。從中信一級各行業(yè)指數(shù)月度表現(xiàn)分析，2020年9月以來，以家電，地產(chǎn)為主的地產(chǎn)鏈以及以食品飲料為主的消費(fèi)板塊繼續(xù)維持了與中國PMI的正相關(guān)關(guān)系，但以煤炭，有色為代表的上游周期行業(yè)則呈現(xiàn)與美國PMI的正相關(guān)。需正確面對本輪中國經(jīng)濟(jì)復(fù)蘇的行業(yè)受益特征與歷史的顯著變化。數(shù)據(jù)來源：wind、中信建投在4月12日外發(fā)的報(bào)告《A股重大變局，中美PMI大分化后的行業(yè)配置淺思》中，我們采用超預(yù)期因子作為衡量當(dāng)期寬基指數(shù)表現(xiàn)的指標(biāo)，以是否超過超預(yù)期因子季節(jié)性閾值為目標(biāo)來確定寬基指數(shù)整體表現(xiàn)是否超10日2023年一季報(bào)預(yù)告及公告信息，滬深300，中證500，創(chuàng)業(yè)板指和創(chuàng)業(yè)板綜的業(yè)績披露及各自閾值對比結(jié)果顯示主板超預(yù)期而中小市值板塊低于預(yù)期。具體表現(xiàn)為：滬深300板塊超預(yù)期，中證500、創(chuàng)業(yè)板均低于預(yù)期。主板的業(yè)績情況較為樂觀，值得重點(diǎn)推薦，中小市值板塊一季報(bào)業(yè)績初現(xiàn)不及預(yù)期的趨勢需重點(diǎn)跟蹤關(guān)注。而后4月21日的超預(yù)期結(jié)果，主板最終低于預(yù)期出乎我們預(yù)料，中證500超預(yù)期值高于同期均值，但正向超預(yù)期來自少數(shù)個(gè)股的大幅超預(yù)期，指數(shù)整體超預(yù)期情況并不穩(wěn)定，創(chuàng)業(yè)板綜和創(chuàng)業(yè)板指依然處于低于預(yù)期狀金融工程研究報(bào)告頁的重要聲明數(shù)據(jù)來源：wind、中信建投，創(chuàng)業(yè)板綜當(dāng)月絕對收益-2.60%，4月份隨著一季報(bào)發(fā)布期的密集到來，之前表現(xiàn)低迷的主板相對表現(xiàn)優(yōu)異，之前表現(xiàn)亮眼的中小市值板塊受業(yè)績壓力表現(xiàn)有所回調(diào)。數(shù)據(jù)來源：wind、中信建投金融工程研究報(bào)告頁的重要聲明Q4Q1績增速變化18%59%03%.62%.15%53%車8.15%6.99%72%34%.78%.30%資料來源：Wind，中信建投我們將A股市場個(gè)股按照內(nèi)在相關(guān)性劃分為10個(gè)風(fēng)格板塊，在業(yè)績增速計(jì)算上采用剔除虧損樣本后的整體法進(jìn)行評估，在2023Q1中業(yè)績增速環(huán)比正增長的風(fēng)格板塊包括周期二、金融和成長，其中周期二和金融板塊業(yè)績增速環(huán)比增長在10%以上。周期二板塊包括建筑，建材，輕工制造三個(gè)行業(yè)。金融板塊包括地產(chǎn)，非銀金融，地產(chǎn)三個(gè)行業(yè)。成長板塊包括傳媒，電子，計(jì)算機(jī)，通信四個(gè)行業(yè)數(shù)據(jù)來源：Wind、中信建投金融工程研究報(bào)告頁的重要聲明在中信一級行業(yè)中，在業(yè)績增速計(jì)算上繼續(xù)采用剔除虧損樣本后的整體法進(jìn)行評估，2023Q1業(yè)績增速環(huán)比正增長的前五行業(yè)為非銀行金融，房地產(chǎn)，電力及公用事業(yè)，電力設(shè)備及新能源，傳媒，以上行業(yè)業(yè)績增速環(huán)比增長均在20%以上。其中還應(yīng)注意部分風(fēng)格子版塊的獨(dú)立崛起現(xiàn)象，比如傳媒在今年行情表現(xiàn)突出的TMT板塊中業(yè)績增速環(huán)比表現(xiàn)尤其領(lǐng)先，電力及公用事業(yè)在交通運(yùn)輸板塊業(yè)績增速環(huán)比表現(xiàn)突出，建筑在周期二板塊中業(yè)績增速環(huán)比表現(xiàn)具備優(yōu)勢。四、選股策略一一機(jī)構(gòu)博弈下的技術(shù)破局在市場alpha難度大幅提升的背景下下，我們?nèi)愿鶕?jù)機(jī)構(gòu)博弈市場的潛在規(guī)律挖掘到了繼續(xù)高度有效的選股策略，并大膽嘗試新AI技術(shù)的投資應(yīng)用。中信建投的多因子組合基于常見的大類因子以及分析師因子構(gòu)建，通過有效性檢驗(yàn)精選有效因子，并結(jié)合中信建投的六維度行業(yè)輪動(dòng)ETF組合結(jié)果，從實(shí)現(xiàn)對好行業(yè)+好個(gè)股的優(yōu)中選優(yōu)。滬深300內(nèi)量化精選組合從2016年2月至今，年化收益25.88%，相對滬深300年化超額收益20.79%，最%。今年以來(截止4月30日)，策略絕對收益7.55%，相對超額3.34%。數(shù)據(jù)來源：Wind、中信建投金融工程研究報(bào)告頁的重要聲明摩根持倉策略基于北向機(jī)構(gòu)托管持倉因子的檢驗(yàn)，篩選出具有顯著alpha收益的機(jī)構(gòu)，定期追蹤其持倉以及增持股票，構(gòu)建的復(fù)合策略。數(shù)據(jù)來源：Wind、中信建投光伏增強(qiáng)策略在光伏行業(yè)中，對10大類300多個(gè)因子進(jìn)行檢驗(yàn)，篩選出表現(xiàn)較好的風(fēng)格中最突出的因子，構(gòu)建光伏行業(yè)多因子組合，策略具有顯著的收益。數(shù)據(jù)來源：Wind、中信建投金融工程研究報(bào)告頁的重要聲明基本面OPENFE策略基于openFE基本面因子挖掘，將三大報(bào)表的數(shù)據(jù)以及基礎(chǔ)算子之間按照一定的結(jié)構(gòu)進(jìn)行排列組合，構(gòu)建出70萬個(gè)不同風(fēng)格類型的因子，再利用openFE的兩步篩選法，篩選出不同風(fēng)格類型下表現(xiàn)最好的合成因子。利用構(gòu)造的合成因子以及基礎(chǔ)因子，訓(xùn)練月頻的選股模型，策略收益較為顯著。數(shù)據(jù)來源：Wind、中信建投近一周收益率近一月收益率今年以來收益率近一年收益率近一周相對收益率近一月相對收益率今年以來相對收益率近一年相對收益率摩根持倉0.67%-0.18%8.99%23.75%0.82%0.13%2.41%11.59%光伏增強(qiáng)-1.45%-12.85%-4.68%11.17%-0.07%-5.98%4.30%10.24%基本面OPENFE2.27%-2.30%6.89%38.15%2.45%-1.51%1.88%26.08%數(shù)據(jù)來源：Wind、中信建投在量化研究中，因子構(gòu)建是模型的基石，因子的好壞直接決定了策略的收益率，因此因子挖掘歷來是量化研究的重點(diǎn)。傳統(tǒng)的經(jīng)驗(yàn)為主的因子挖掘方式經(jīng)歷幾十年的發(fā)展，早已進(jìn)入了瓶頸期，因子擁擠度不斷增加，在經(jīng)歷市場風(fēng)格切換時(shí)非常容易發(fā)生踩踏，導(dǎo)致大幅回撤。金融工程研究報(bào)告頁的重要聲明對于人工智能在因子挖掘中的應(yīng)用，目前主要還是停留在遺傳規(guī)模的方法基礎(chǔ)上。近幾年機(jī)器學(xué)習(xí)發(fā)展迅速，以AutoML為代表的特征工程以及模型搭建也早以在工業(yè)界實(shí)現(xiàn)了廣泛應(yīng)用。本文我們嘗試將GoogleBrain團(tuán)隊(duì)提出的AutoML-Zero模型應(yīng)用與因子挖掘領(lǐng)域，結(jié)合實(shí)際情況對模型做了相應(yīng)的修改，構(gòu)建了AlphaZero框架。AlphaZero主要是對因子的可解釋性，因子挖掘的效率，以及因子的多樣性上做了相應(yīng)的優(yōu)化，最終的框架不僅能夠應(yīng)用于批量因子的生成，也能夠應(yīng)用于現(xiàn)有因子的改進(jìn)。haZero傳統(tǒng)的因子挖掘以人工構(gòu)建和以遺傳規(guī)劃為代表的機(jī)器挖掘?yàn)橹?，我們在之前的?bào)告中也曾嘗試過將遺傳規(guī)劃與分析師因子結(jié)合進(jìn)行因子挖掘。AutoML-Zero為因子挖掘提供了新的思路，本文我們在AutoML-Zero的基礎(chǔ)上，構(gòu)建了AlphaZero的因子挖掘框架。與所有進(jìn)化算法面臨的問題一樣，AlphaZero同樣面臨適應(yīng)度，進(jìn)化效率以及物種多樣性三者之間的不可能三角問題，即不能夠同時(shí)滿足種群適應(yīng)度較高，進(jìn)化效率快，以及種群具有較好的多樣性的條件。在實(shí)際問題中，需要做相應(yīng)的取舍。在AlphaZero中，對于三者我們分別采取了一定的優(yōu)化，從而能夠在較高的效率下實(shí)現(xiàn)因子的挖掘。與傳統(tǒng)的遺傳規(guī)劃以及AutoML-Zero相比，AlphaZero在挖掘的效率以及因子的可解釋性上做了更多的優(yōu)化，首先，我們對所有數(shù)據(jù)采用了量綱化處理，避免了在因子挖掘中經(jīng)常出現(xiàn)的不同量綱之間的因子運(yùn)算，并且我們要求最終生成的因子為無量綱因子，這樣使得因子可解釋性問題有所緩解。其次，對于合成因子的長度我們也進(jìn)行了限制，避免了因子計(jì)算過于復(fù)雜，容易導(dǎo)致的過擬合問題。與AutoML-Zero不同的是，由于計(jì)算效率的差距，以及金融數(shù)據(jù)的實(shí)際問題，我們并沒有簡單的四則運(yùn)算作為基礎(chǔ)算子，而是在此基礎(chǔ)上，加入了更多因子構(gòu)建時(shí)常用的算子。在搜索空間上，不同于AutoML-Zero的無關(guān)聯(lián)搜索，我們限制了所有的變異均需要與原有的代碼有關(guān)聯(lián)，即所有在圖結(jié)構(gòu)上的改動(dòng)均與原有的邊或者節(jié)點(diǎn)相關(guān)聯(lián)。通過這兩項(xiàng)改動(dòng)，能夠極大的提高進(jìn)化的效率。與AutoML-Zero類似，我們將基礎(chǔ)數(shù)據(jù)分為三類；向量v：中證全指日頻漲跌幅，振幅，換手率，上漲股票占比價(jià)，成交量為了使得合成的因子具有一定的可解釋性，每類數(shù)據(jù)都標(biāo)有相應(yīng)的量綱(高開低收量綱為元，成交量量綱為手，其他無量綱)，在后續(xù)計(jì)算中，只有特定的量綱之間能夠進(jìn)行合法運(yùn)算。所有算子分為三類，分別是元素運(yùn)算符，時(shí)間序列運(yùn)算符以及橫截面運(yùn)算符。在算子的構(gòu)建上，盡量選擇基礎(chǔ)算子，通過個(gè)體在搜索空間內(nèi)的不斷進(jìn)化，構(gòu)建出最終適應(yīng)度較高的種群。金融工程研究報(bào)告頁的重要聲明資料來源：中信建投在矩陣數(shù)據(jù)中，存在不同頻率的數(shù)據(jù)，需要首先通過時(shí)間序列算子將分鐘頻率的數(shù)據(jù)降頻的日頻，然后進(jìn)一步進(jìn)行運(yùn)算。對于種群而言，我們更關(guān)注整個(gè)種群的統(tǒng)計(jì)值，下圖展示了進(jìn)化輪數(shù)與種群個(gè)體的平均IC以及最大個(gè)體IC的關(guān)系，可以看出，隨著輪數(shù)增大，種群的平均IC會不斷增加，而IC最大的個(gè)體變異導(dǎo)致的IC增加存在一定的幾率發(fā)生，因此會出現(xiàn)幾輪不變的情況。種群的平均IC會出現(xiàn)定期下滑的情況，正式由于我們的災(zāi)難算法刪除了部分相似個(gè)體導(dǎo)致的結(jié)果，但是很快種群的IC會得到恢復(fù)。金融工程研究報(bào)告頁的重要聲明數(shù)據(jù)來源：中信建投從整體種群的表現(xiàn)來看，AlphaZero能夠有效的批量生成因子，對于個(gè)體而言，樣本內(nèi)適應(yīng)度最高的個(gè)體IC達(dá)到了0.08。因子在樣本外的表現(xiàn)同樣突出，以以下因子為例：Alpha1因子一的定義為:ts_norm(cs_norm(HIGH),20)因子一的定義較為簡單，為改進(jìn)后的反轉(zhuǎn)因子，代表了股票最高價(jià)的橫截面排序的20日時(shí)間序列標(biāo)準(zhǔn)化，排序相對于過去20天的排名越低，未來收益越高。因子的IC均值為-0.0366，IR為4.38。因子勝率為61.22%(小于0占比)。從IC的時(shí)間序列來看，因子在大部分時(shí)間均處于負(fù)向IC區(qū)間，在4月份有過明顯的反轉(zhuǎn)。從因子的分組收益率可以看出，多頭組自19年起，累計(jì)收益118%，空頭組的累計(jì)收益為-16%，多空年化收益26.17%，多頭組的年化收益為23.77%。Alpha2因子二的定義為:ts_max((ts_min(interval(volume,sum,9:30,10:00)/VOLUME,2)+ts_corr(high,volume,240)),5)因子二是開盤后半小時(shí)成交量占比的兩日最小值與日內(nèi)的最高價(jià)與成交量的相關(guān)性求和之后取五日最大值得到的因子，很明顯，此因子是由原始開盤后半小時(shí)成交量占比因子與最高價(jià)成交量相關(guān)性兩個(gè)因子的基因進(jìn)化得到的合成因子。因子二的IC均值為-0.0367，IR為7.33，因子勝率為68.21%，因子二的穩(wěn)定性和勝率顯著高于因子一。從因子的分組收益率可以看出，多頭組自19年起，累計(jì)收益103%，空頭組的累計(jì)收益為-7%，多空年化收益22.51%，多頭組的年化收益為21.39%。金融工程研究報(bào)告頁的重要聲明深度學(xué)習(xí)，啟發(fā)式算法以及枚舉法分別代表了三種因子挖掘中的方法，深度學(xué)習(xí)法的優(yōu)點(diǎn)在于效率較好且樣本內(nèi)效果最好，缺點(diǎn)是生成的因子無法解釋且要求算子可導(dǎo)。啟發(fā)式算法效率介于枚舉法和深度學(xué)習(xí)之間，能夠生成批量因子，因子解釋性一般，無法保證找到全局最優(yōu)。枚舉法是一種暴力算法，一般生成的因子形式都較為簡單，可解釋性較好，生成因子數(shù)量較多，導(dǎo)致逐一檢驗(yàn)時(shí)效率較低，因此需要對因子檢驗(yàn)的效率進(jìn)行openFE是一種基于枚舉法的Expand-And-Reduce框架，能夠高效的檢驗(yàn)大量因子(>106)。習(xí)算法Alpha60,openFE子數(shù)量景>10階<10階<5階效果嚴(yán)格(可導(dǎo))無無資料來源：中信建投證券不同于AlphaZero用于量價(jià)因子挖掘，openFE生成的因子結(jié)構(gòu)較為簡單，可解釋性較好，因此非常適合用于基本面因子挖掘。本文采用三大報(bào)表中的數(shù)據(jù)作為基礎(chǔ)特征，在此基礎(chǔ)上構(gòu)建合成因子，通過openFE進(jìn)一步篩選，保留表現(xiàn)較好的因子作為新的合成因子。OpenFE是一個(gè)基于枚舉法的Expand-And-Reduce框架，首先通過基礎(chǔ)特征以及算子的排列組合構(gòu)建具有一定結(jié)構(gòu)的風(fēng)格因子。而后通過兩步的篩選步驟，對因子進(jìn)行篩選，保留最終特征重要性最高的因子。基礎(chǔ)特征采用三大報(bào)表中的數(shù)據(jù)(資產(chǎn)負(fù)債表，損益表，現(xiàn)金流量表)，其中資產(chǎn)負(fù)債表為時(shí)點(diǎn)數(shù)據(jù)，損益表和現(xiàn)金流量表為時(shí)期數(shù)據(jù)，我們將損益表和現(xiàn)金流量表中的數(shù)據(jù)均轉(zhuǎn)為季頻數(shù)據(jù)。三大報(bào)表中的字段共計(jì)有100多，大部分字段缺失值較多，對于缺失值大于10%的字段，予以剔除。利用剩下的所有字段訓(xùn)練一個(gè)LGBM模型，保留每張報(bào)表內(nèi)重要性排名前15的因子。在這些因子的基礎(chǔ)上，再加入市值，行業(yè)，動(dòng)量(過去一個(gè)月收益率)三個(gè)對股票收益解釋度非常高的因子。共計(jì)45個(gè)基礎(chǔ)特征以及3個(gè)額外添加的特征。金融工程研究報(bào)告頁的重要聲明為使得因子具有較好的可解釋性，采用一些較為簡單的算子，包括四則運(yùn)算(+，-，*，/)、同比算子(YOY)、環(huán)比算子(QOQ)、以及橫截面排序算子(CSRank)。如果采用暴力方式進(jìn)行排列組合，即使是簡單的二階因子，以上因子以及算子能夠組合出~109個(gè)因子，難以進(jìn)行處理。不同類型的風(fēng)格因子往往具有一定的結(jié)構(gòu)特征，例如常見的PE,PB,PS等估值因子均為簡單的一階因子，分子端凈利潤/凈資產(chǎn)/主營業(yè)務(wù)收入來自三大報(bào)表，分母端為總市值。在構(gòu)造估值類合成因子時(shí)，我們將其擴(kuò)展為二階因子，具體做法為分子端的單因子改為a±b的形式，其中a，b∈損益表/現(xiàn)金流量表/資產(chǎn)負(fù)債表，分abPE同理，借鑒資產(chǎn)負(fù)債率，ROE，凈利潤現(xiàn)金比率，PE，凈利潤同比增長率等因子結(jié)構(gòu)，本文構(gòu)建了杠桿因子，收益因子，質(zhì)量因子，估值因子，成長因子共5類風(fēng)格因子，因子結(jié)構(gòu)如下表所示。因子均為二階因子 (不考慮CSRank)，總因子數(shù)量~70萬左右。因子CSRANKab/(c±d))abcd產(chǎn)負(fù)債表CSRANKab/(c±d))子CSRANKab/(c±d))子arketvalueCSRANKxfayfb))資料來源：中信建投證券原始的70萬因子逐一檢驗(yàn)效率較低，openFE采用兩步的篩選方法，極大的提高了篩選效率。在第一步篩選中，采用了successivehalving(連續(xù)二分法)進(jìn)行單因子檢驗(yàn)。具體做法是首先采用部分小樣本，對每一類風(fēng)格的所有因子進(jìn)行單因子模型LGBM的訓(xùn)練，計(jì)算特征的模型表現(xiàn)。下一輪增加樣本數(shù)量，保留第一次訓(xùn)練中表現(xiàn)較好的部分因子，再此進(jìn)行訓(xùn)練，以此類推，不斷增加樣本數(shù)量，減少因子數(shù)量，直至用全樣本訓(xùn)練，得到最終篩選的因子列表。012…n1…n-2…1資料來源：中信建投證券經(jīng)過第一輪的單因子篩選后，保留約1/16的因子，此時(shí)因子數(shù)量依舊較多(>103),為了進(jìn)一步篩選因子，且剔除因子間的相關(guān)性問題，第二輪用所有保留的合成因子以及原始的48個(gè)基礎(chǔ)特征進(jìn)行多因子模型LGBM的訓(xùn)練，最終利用LGBM輸出所有因子的重要性排序。金融工程研究報(bào)告頁的重要聲明/31/30/31/30/31/1/31/2/28/3/31/4/30/5/31/6/30LGBM在計(jì)算特征重要性時(shí)有兩種方式，分別為gain和split，其中g(shù)ain是通過計(jì)算總的gini增益來得到特征重要性，split是計(jì)算模型中特征出現(xiàn)的次數(shù)來計(jì)算得到特征重要性，本文采用gain來計(jì)算特征重要性。在利用LGBM進(jìn)行訓(xùn)練時(shí)，openFE采用featureboosing的方法計(jì)算因子的邊際貢獻(xiàn)，即首先利用基礎(chǔ)特征計(jì)算模型的預(yù)測值y1以及效果metric1，將y1作為新的訓(xùn)練的初始值，用新因子訓(xùn)練得到y(tǒng)2和metric2，新因子的邊際貢獻(xiàn)為metric2-metric1。31日至2022年12月31日，每月滾動(dòng)訓(xùn)練LGBM模型，模型的輸入為過去10年的月頻因子，預(yù)測目標(biāo)為未來一個(gè)月收益率。訓(xùn)練集長度為9年，測試集為1年，按照時(shí)間先后進(jìn)行切分。股票池為全A股票，剔除其中的次新股，ST股，漲跌停股票以及流動(dòng)性過低的股票(日成交金額<500萬或者換手率<0.02%)。每次調(diào)倉等權(quán)買票。最終策略的表現(xiàn)如下圖所示：20/1/310/1/30.20/2/20/2/290/3/30/3/310/4/30/4/300/5/30/5/310/6/30/6/300/7/30/7/310/8/310/9/300/8/310/9/30/10/31/11/30/12/312/72/7/312/82/8/312/92/9/30/10//10/31/11//11/3010.80.6 0.4/1/31/2/28/3/31/4/30/5/31/6/30/7/31/8/31/9/302-2-0.422222222222222020202020202021/2021/2022202220222021/202220222021/2021/2022202220222021/2022202220222222222222220222022202220220.20總回報(bào)WIND全A最大回撤alpha(右軸)數(shù)據(jù)來源：WIND,中信建投證券策略的表現(xiàn)較為穩(wěn)定，過去不到3表現(xiàn)如下表所示：年的時(shí)間累計(jì)收益達(dá)到91.2%,，累計(jì)超額收益達(dá)到79.4%。策略的具體金融工程研究報(bào)告頁的重要聲明資料來源：WIND,中信建投證券基于網(wǎng)頁交互模式的ChatGPT對于人類的生活以及工作方式帶來的極大的便利，然而這只是ChatGPT的冰山一角。API以及插件系統(tǒng)的開放，使得ChatGPT能夠結(jié)合各種程序以及軟件，讓ChatGPT的應(yīng)用空間充滿無盡的可能性，這是真正意義上AI的iphone時(shí)刻。對于金融工程研究而言，除了日常的網(wǎng)頁版交互完成一定的指令之外，通過API接口能夠使研究工作效率極大提高。同時(shí)，隨著各類技術(shù)的應(yīng)用，本地化部署開源大語言模型框架也得以實(shí)現(xiàn)。OPENAI雖然提供了強(qiáng)大的API支持，能夠極大的拓展ChatGPT以及其他模型的應(yīng)用領(lǐng)域，但是大部分模型均未開源，而且在使用時(shí)存在諸多限制。除了OPENAI的ChatGPT之外，各大互聯(lián)網(wǎng)企業(yè)也紛紛推出了自己的大預(yù)言模型，例如百度的文心一言，阿里的通義千問，商湯的商量等，與OPENAI的戰(zhàn)略一致，這些模型也均未開源。除此之外，meta開源了LLaMA模型，清華開源了GLM模型，使得一般企業(yè)和個(gè)人能夠部署和訓(xùn)練自己的但是大語言模型對于硬件要求極高，限制了個(gè)人用戶部署自己的“ChatGPT”，隨著一系列優(yōu)化技術(shù)的提出，例如ZeRO、Gemini、LoRA、AutoChunk等，使得訓(xùn)練和部署模型的成本極大下降。各個(gè)優(yōu)化模型也紛紛提出，包括Colossal-AI，Alpaca,Vicuna等，能夠以較低的成本訓(xùn)練或者部署對話模型。使得在個(gè)人電腦上部署成為可能。本文以Vicuna模型為例，介紹如何在個(gè)人電腦上部署模型。Vicuna模型是基于LLaMA的微調(diào)模型，是由加州大學(xué)伯克利分校、CMU、斯坦福大學(xué)和加州大學(xué)圣地亞哥分校的成員共同提出的。他們從ShareGPT收集了大約7萬個(gè)對話，借鑒Alpaca的微調(diào)方式，將LLaMA模型進(jìn)行微調(diào)。最終實(shí)現(xiàn)了ChatGPT大約90%的質(zhì)量，但是訓(xùn)練成本僅300美元左右。在本地運(yùn)行以下命令加載模型：單GPU模式：python3-mfastchat.serve.cli--model-path/path/to/vicuna/weights單CPU模式：python3-mfastchat.serve.cli--model-path/path/to/vicuna/weights--devicecpu金融工程研究報(bào)告頁的重要聲明多GPU模式：python3-mfastchat.serve.cli--model-path/path/to/vicuna/weights--num-gpus28bit模式：python3-mfastchat.serve.cli--model-path/path/to/vicuna/weights--load-8bit五、量化策略應(yīng)用場景實(shí)戰(zhàn)化案例根據(jù)前文的思路和獨(dú)立的模型，我們的最終目的是實(shí)現(xiàn)多策略的有效融合，以及適合機(jī)構(gòu)規(guī)模的實(shí)盤化測試，本章列舉了相關(guān)的實(shí)戰(zhàn)化案例。根據(jù)自上而下，結(jié)合宏觀、量化基本面、財(cái)務(wù)因子、分析師預(yù)期、機(jī)構(gòu)偏好、量價(jià)技術(shù)和資金流等維度，我們構(gòu)建了六維度綜合行業(yè)配置模型，并自2022年2月開始對外跟蹤。自2008年至初2022年4月30日，模型年化收益率為15.21%，相對行業(yè)等權(quán)組合的年化超額收益率為11.69%，除2008年以外，其余年度均獲得正超額收益。2023年以來(截至4月30日)，六維度行業(yè)輪動(dòng)模型累計(jì)收益率為12.30%，相對行業(yè)等權(quán)超額收益率為6.78%。自2022年2月對外跟蹤以來，模型累計(jì)收益率17.30%，相對行業(yè)等權(quán)超額收益19.06%。六維度綜合行業(yè)輪動(dòng)累計(jì)凈值行業(yè)等權(quán)累計(jì)凈值超額收益9876543210數(shù)據(jù)來源：Wind，中信建投金融工程研究報(bào)告頁的重要聲明度綜合行業(yè)輪動(dòng)策略.67%.77%2%5%08091011121314.0%2%15160%171819.9%3%207%7%21.6%9%222023(截至4月30日)數(shù)據(jù)來源：Wind，中信建投在如何將效果優(yōu)秀的六維度行業(yè)輪動(dòng)模型應(yīng)用至基金選擇上，我們進(jìn)行了一定的探索，建立了基于規(guī)劃求解的六維度行業(yè)輪動(dòng)FOF組合。具體應(yīng)用上，主要思想是將基金組合在各個(gè)推薦行業(yè)的暴露盡量控制相等，同時(shí)使得期望Alpha最大，同樣地，為了避免部分行業(yè)主動(dòng)權(quán)益基金暴露不夠，基金池選擇主動(dòng)權(quán)益基金和指數(shù)型股票基金對組合權(quán)重規(guī)劃基金池選擇成立18個(gè)月以上的主動(dòng)權(quán)益基金和被動(dòng)指數(shù)型基金，計(jì)算可得全持倉每只基金在每個(gè)中信一級行業(yè)的持倉權(quán)重，按照每個(gè)信號行業(yè)選取相應(yīng)行業(yè)占基金持倉超過60%的對應(yīng)基金，每個(gè)中信行業(yè)信號之間等權(quán)重配比；若無60%以上行業(yè)，則以該行業(yè)占比最大的基金選入。其中弱約束為組合在各行業(yè)beta暴露均