人工智能选股之广义线性模型｜华泰证券2017金融研究报告

报告摘要

本报告由华泰证券金工团队撰写，系统性地将广义线性模型应用于多因子选股，采用统一的视角解释与测试所有广义线性模型。核心发现包括：滚动训练集长度12~24个月回测效果最佳；正则化对选股效果无明显提升；逻辑回归和随机梯度下降分类器（SGD）表现优于线性回归，其中SGD+hinge损失模型信息比率和Calmar比率均达4左右，超额收益最大回撤约5%。报告详细介绍了模型构建、分层回测、参数敏感性分析及策略构建，适合量化研究员、金融工程师、投资经理及对AI选股感兴趣的投资者参考。

📋 核心要点(部分)

1. 本文研究导读
2. 广义线性模型
3. 线性模型回顾
4. 正则化
5. 损失函数
6. 优化算法
7. 测试流程
8. 广义线性模型构建
9. 分层模型回测
10. 模型测试结果与参数选择
11. 线性回归模型分层回测分析
12. 利用线性回归模型构建选股策略
13. 线性回归模型参数敏感性分析
14. 正则化方法比较
15. 逻辑回归和随机梯度下降法比较
16. 利用随机梯度下降法+hinge损失模型构建选股策略
17. 总结和展望