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。
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。
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。核心数据:滚动训练集长度12~24个月;SGD+hinge信息比率约4;Calmar比率约4。
本报告由华泰证券发布,发布于 2017 年。
覆盖 2017 年,全文约 34。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合量化研究员、金融工程师、投资经理、金融科技从业者等读者参考。
重点分析了金融投资、华泰证券、金融等议题。