Beta猎手系列之九：人工智能全球大类资产配置模型-240613-国金证券-19页.pdfVIP

目前，机器学习模型在资产配置等其他领域的定价研究相对偏少，传统的资产配置方法也需要新的思路来构建策略。

本次研究中，我们将机器学习模型应用到大类资产配置问题上，基于因子投资的思路使用模型给出各资产的打分排序，

并最终构建可投资的大类资产月频量化配置策略。

怎样使用机器学习选择大类资产？

我们使用机器学习模型生成每一期各资产的预期收益率数据，便于进行资产的排序与进一步优化。我们选取各资产对

应指数或期货的高开低收作为初始数据，基于TA-Lib方法批量化生成量价因子数据作为样本的特征，并使用各资产

未来20日收益率作为基础标签。模型的选取方面，考虑到树模型在小样本上相较于神经网络更不易过拟合的优势，

我们主要使用基于CART的集成学习方法，包括GBDT、RF和DART，具体实现模型主要为XGBoost与LightGBM。

数据准备及预处理

我们选择沪深300、恒生指数、纳斯达克100指数、国债指数、SHFE黄金等共11种资产作为配置池，覆盖国内股票、

国外股票、债券与商品类资产，并基于这些资产的高开低收数据生成共154个量价类特征。我们对特征首先进行时序

预处理，确保特征在不同资产之间具有可比性；随后进行截面预处理，此处我们试图通过对比找出最适合的预处理方

式。对标签同样进行不同预处理方式的对比，以寻找最优方案。模型我们对比使用GBDT、RF和DART作为提升方法的

LightGBM模型以及使用GBDT的XGBoost方法。

如何优化模型在大类资产配置上的应用表现？

我们根据不同的特征处理、标签处理和模型三个维度分别进行测试。通过观察基于lgb_gbdt和lgb_dart模型得到的

结果，我们确定特征在截面上做MinMax处理的方法优势最为明显；但不同的标签预处理方式在结合CSMinMax处理时

各有优势。结合不同模型来看，对标签进行截面Z-Score处理时普遍能得到最佳的因子多头收益表现。模型上，基于

GBDT和DART的LightGBM模型在对应的效果最佳。

基于以上方法得到的两个因子具有较高的相关性，但其中使用DART的LightGBM模型得到的因子IC衰减相对更慢，

我们认为这对于降低策略的换手率能带来一定帮助，对资产配置策略较为重要。最终我们确定特征处理方式为

CSMinMax，标签处理方式为ret_CSZScore，使用模型lgb_dart生成全球大类资产配置因子。

因子IC均值达到9.00%，多头年化收益13.34%，多头Sharpe比率1.105，多头最大回撤8.53%；多空年化收益率15.20%，

多空Sharpe比率1.231。时序上看，因子多空组合净值稳定增长，仅部分月份回撤较大。

人工智能全球大类资产配置策略

我们根据最终的合成因子构造资产配置策略，每月初等权配置因子排名前3的资产，手续费取千分之三。我们以11

个资产的等权配置策略作为对比基准。策略的年化收益率为16.91%，夏普比率为0.99，而同时间段等权配置策略的

年化收益率为2.05%，夏普比率为0.24。策略的年化超额收益率为14.74%，信息比率为1.34，超额最大回撤仅为5.97%。

我们同样叠加最优化问题的求解方法，对策略的波动率做进一步约束。优化后，策略的年化收益率在7.86%，年化超

额收益4.70%，策略的Sharpe比率上升到1.28，年化双边换手率下降到288.68%。

风险提示

以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在时效的风险。策略通过一定的

假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出现亏损。

敬请参阅最后一页特别声明1

扫码获取更多服务

金融工程专题报告

内容目录

一、怎样使用机器学习选择大类资产？4

1.1为何使用因子投资的方法？4

1.2从数据到模型，如何匹配因子框架？4

1.3基于CART算法与集成学习的树模型5

二、数据准备及预处理6

2.1原始数据6

2.2特征预处理方法9

2.3标签预处理方法