基于机器学习排序模型的高收益选股策略
每个主动择股的策略模型都是为了在市场中选出较强的个股，以期获得超过市场的超额收益。那么，选股问题便可以转化成排序问题，即：通过指标设定，策略选择，通过机器学习等技术对市场上个股强弱进行排序，从而把回归问题转换为了排序问题。类似于之前本公众号文章所论及的“基于弹性网络的机器学习选股策略”。
指标选择：2007年以来所有A股的一些基本面和技术面因子，共计60个，主要包括:1.估值类：市盈率、市净率、市现率、市销率;2.成长类：净利润增长率、收益增长率;3.盈利类：ROA、ROE;4.质量类：流动比率、产权比率;5.技术类：均线、RSI、BIAS、波动率、收益率等。
模型的目标：通过对数据的清洗和转换，选出未来60日内表现最佳的10只个股。
算法：使用梯度提升决策树GBDT,将历史数据由前向后进行滚动训练和测试，以2007年到2012年的数据作为训练数据，对2012-2018年的数据做滚动训练和测试，取测试集预测出的强势个股进行交易回测，即每周买入预测最强的股票进行轮动，持有60个交易日后卖出。为考验组合在不同市场状况的表现，分以下3个时段进行回测。红色表示选股组合、蓝色表示中证流通、黄色表示组合超额收益。
1、201301—201501（如下图）
2、201501—201701（如下图）
3、201701—201802（如下图）
从以上三个时间段看，策略组合的年化收益率：
201301—201501回测年化收益率达到96.81%
201501—201701回测年化收益率达到55.23%
201701—201802回测年化收益率达到25.57%
均大幅战胜中证流通指数，夏普率均大于1，表现出较好的风险调整收益，贝塔均小于1，显示波动小于中证流通指数。
PS：阿尔法(alpha): CAPM模型表达式中的残余项。表示策略所持有投资组合的收益中和市场整体收益无关的部分，是策略选股能力的度量。
贝塔(beta): CAPM模型中市场基准组合项的系数，表示资产收益对市场整体收益波动的敏感程度。
夏普率(sharpe ratio): 衡量策略相对于无风险组合的表现，是策略所获得风险溢价的度量——即如果策略额外承担一单位的风险，可以获得多少单位的收益作为补偿。
用数据说话。欢迎关注我的公众号，guanshizhe2006