华泰证券最新发布《人工智能系列之十一：人工智能选股之Stacking集成学习》深度研究报告，报告使用改进的Stacking模型，有效提升多因子选股预测的准确性与稳定性。研究发现，最优Stacking模型（XGBoost_72m+逻辑回归_6m）在2011-2018年全A选股行业中性策略中，年化超额收益达27.75%~29.45%，超额收益最大回撤仅8.92%~10.18%，信息比率3.33~3.84，Calmar比率提升至2.73~3.25。报告提出基于适应度指标的基模型选择方法，并给出三个关键结论：第一层应使用不同基模型与训练数据；并非基模型越多越好，需低相关性且高预测能力；较短验证集数据长度（2个月）可降低回撤、提高Calmar比率。因子单因子测试优秀，多空组合年化收益33.82%，夏普比率5.03。适合量化研究员、选股策略投资者、人工智能金融应用研究者、证券分析师及投资经理参考。
华泰证券最新发布《人工智能系列之十一：人工智能选股之Stacking集成学习》深度研究报告，报告使用改进的Stacking模型，有效提升多因子选股预测的准确性与稳定性。研究发现，最优Stacking模型（XGBoost_72m+逻辑回归_6m）在2011-2018年全A选股行业中性策略中，年化超额收益达27.75%~29.45%，超额收益最大回撤仅8.92%~10.18%，信息比率3.33~3.84，Calmar比率提升至2.73~3.25。报告提出基于适应度指标的基模型选择方法，并给出三个关键结论：第一层应使用不同基模型与训练数据；并非基模型越多越好，需低相关性且高预测能力；较短验证集数据长度（2个月）可降低回撤、提高Calmar比率。因子单因子测试优秀，多空组合年化收益33.82%，夏普比率5.03。适合量化研究员、选股策略投资者、人工智能金融应用研究者、证券分析师及投资经理参考。
华泰证券最新发布《人工智能系列之十一：人工智能选股之Stacking集成学习》深度研究报告，报告使用改进的Stacking模型，有效提升多因子选股预测的准确性与稳定性。研究发现，最优Stacking模型（XGBoost_72m+逻辑回归_6m）在2011-2018年全A选股行业中性策略中，年化超额收益达27.75%~29.45%，超额收益最大回撤仅8.92%~10.18%，信息比率3.33~3.84，Calmar比率提升至2.73~3.25。报告提出基于适应度指标的基模型选择方法，并给出三个关键结论：第一层应使用不同基模型与训练数据；并非基模型越多越好，需低相关性且高预测能力；较短验证集数据长度（2个月）可降低回撤、提高Calmar比率。因子单因子测试优秀，多空组合年化收益33.82%，夏普比率5.03。适合量化研究员、选股策略投资者、人工智能金融应用研究者、证券分析师及投资经理参考。核心数据:年化超额收益27.75%~29.45%;超额收益最大回撤8.92%~10.18%;IC均值10.94%。
本报告由华泰证券发布,发布于 2018 年。
覆盖 2018 年,全文约 28。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合金融量化研究员、选股策略投资者、人工智能应用研究员、证券分析师等读者参考。
重点分析了金融投资、Stacking、集成学习等议题。