为适应复杂的市场环境，银河基金量化团队近年来在深度量化选股研究领域持续深耕，突破传统线性分析对历史回测分析的局限，通过非线性分析方式，更加精准地分析市场，挖掘其中的投资机遇。   日前，银河基金量化与FOF投资部总监助理、基金经理罗博在接受记者采访时介绍了量化研究的新思路。在指数样本增强方面，罗博主要采取线性和非线性相结合的方式，由多因子模型与非线性的机器学习模型互相协作，力争获得相对稳健的超额收益；同时，由于模型间相关性较低，力争有效降低整体组合的跟踪误差。   开发深度神经网络学习   罗博具有21年证券从业经验、15年公募基金管理经验，长期扎根于指数与量化投资领域。随着市场环境持续发生变化，罗博意识到，量化投资仅仅依靠线性分析把握市场长期规律愈发难以支撑，在行业趋势从线性向非线性过渡的过程中，需要不断学习非线性分析技术，紧跟市场变化。   经过近年来的逐步积累和完善，目前罗博针对指数样本增强部分，储备了线性和非线性两类策略。其中，线性策略以常见的多因子模型为主；非线性策略包括XGBoost、LightGBM等非线性映射方法。   “比如，XGBoost可以对因子的重要性进行展示，通过排序帮助我们识别哪些因子更加重要，增强模型对市场变化的适应能力。尤其是在今年的结构化行情下，非线性策略能够抓住一些弹性品种的机会。”罗博表示。   在简单的神经网络学习基础上，罗博做了进一步的开发和挖掘，看好复杂神经网络学习。“简单的神经网络学习主要是根据原始数据来提取个股的特征，用未来一段时间的预期收益率作为标签，进行有监督的学习。但原始数据可能存在较大的‘噪音’，很难训练出一个收敛的神经网络。因此，我们把长期规则和中短期信息相结合，在原有的因子特征基础上做提取，再放到有监督的神经网络做训练，这样调整后有助于量化模型迅速适应市场的变化。”罗博总结。   线性与非线性相结合   除了针对指数样本采取线性和非线性策略之外，为进一步加强组合对市场的适应能力，在此基础上，罗博还辅以卫星策略做进一步的风格补充。   罗博介绍，目前卫星策略主要包括红利优选、大盘成长优选两个部分。其中，红利优选策略主要是在股息率较高的样本池中用多因子方法选股，在小市值、低估值、高盈利等方面有较强的风格暴露；大盘成长优选策略主要在市值较大的样本池中用多因子方法选股，对大市值、高成长等特点
=*=*=*=*=*=
当前为第1/2页
下一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页