聚焦主动量化组合跟踪:6月机器学习红利股优选策略表现出色。敬请参阅最后一页特别声明 1经过因子测试与筛选,包括技术、反转、特异波动率等在内的因子在国证 2000 指数成分股上均有出色表现,我们所合成的各个大类因子也基本都起到了很好的提升效果。根据国金金融工程团队发布的《基于多目标、多模型的机器学习指数增强策略》,原策略中我们选取了 GBDT 和 NN 两大类结构具有一定差异的模型,选取不同的特征数据集进行分别训练,并使用多种预测标签进行对比并融合,最终构建出的 GBDT+NN 机器学习选股因子在 A 股各类宽基指数上历史表现优异。我们使用经济增长和货币流动性共 10 个指标,通过动态事件因子的体系构建的红利指数择时策略表现优异,相较于中证红利指数全收益有显著的稳定性提升。
聚焦主动量化组合跟踪:6月机器学习红利股优选策略表现出色。敬请参阅最后一页特别声明 1经过因子测试与筛选,包括技术、反转、特异波动率等在内的因子在国证 2000 指数成分股上均有出色表现,我们所合成的各个大类因子也基本都起到了很好的提升效果。根据国金金融工程团队发布的《基于多目标、多模型的机器学习指数增强策略》,原策略中我们选取了 GBDT 和 NN 两大类结构具有一定差异的模型,选取不同的特征数据集进行分别训练,并使用多种预测标签进行对比并融合,最终构建出的 GBDT+NN 机器学习选股因子在 A 股各类宽基指数上历史表现优异。我们使用经济增长和货币流动性共 10 个指标,通过动态事件因子的体系构建的红利指数择时策略表现优异,相较于中证红利指数全收益有显著的稳定性提升。
聚焦主动量化组合跟踪:6月机器学习红利股优选策略表现出色。敬请参阅最后一页特别声明 1经过因子测试与筛选,包括技术、反转、特异波动率等在内的因子在国证 2000 指数成分股上均有出色表现,我们所合成的各个大类因子也基本都起到了很好的提升效果。根据国金金融工程团队发布的《基于多目标、多模型的机器学习指数增强策略》,原策略中我们选取了 GBDT 和 NN 两大类结构具有一定差异的模型,选取不同的特征数据集进行分别训练,并使用多种预测标签进行对比并融合,最终构建出的 GBDT+NN 机器学习选股因子在 A 股各类宽基指数上历史表现优异。我们使用经济增长和货币流动性共 10 个指标,通过动态事件因子的体系构建的红利指数择时策略表现优异,相较于中证红利指数全收益有显著的稳定性提升。核心数据:我们使用经济增长和货币流动性共 10 个指标,通过动态事件因子的体系构建的红利指数择时策略表现优异,相较于中证红利指数全收益有显著的稳定性提升;样本外整体策略长期表现良好,但 6 月策略超额收益为-11.02%,表现较上月明显下滑;沪深 300 指数增强策略、中证 500 指数增强策略和中证 1000 指数增强策略 6 月超额收益率分别为-0.11%、-1.74%和-1.47%,本月策略整体表现承压。
本报告由国金证券发布,发布于 2026 年。
覆盖 2026 年。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合投资人等读者参考。
重点分析了红利、量化、主动量化组合跟踪等议题。