guanm326 / style-rotation

利用机器学习算法预测沪深300与中证500的强弱

style-rotation

利用机器学习算法预测沪深300与中证500的强弱

hs_zz.ipynb

1. 策略**

   首先对中证800的成分股，按照因子值进行降序排序，对排名为前50名的成分股的日收益率取平均作为“因子收益率”，对m个因子采用上述操作，得到输入$${\bf {X= (x_1, x_2, ..., x_n), x_t }} =(x^{(1)}_t, x^{(2)}_t , ..., x^{(m)}_t)^T$$

   用沪深300的日收益率减去同一天中证500的日收益率，得到两者的收益率之差，大于等于0标记为1，小于0标记为-1，得到输出

   $$\bf Y=(y_1, y_2, ... , y_n)​$$

   运用${\bf {x_t}}$预测$y_{t+1}$:

   $$f({\bf {x_t}}) \rightarrow y_{t+1}​$$

2. 涉及的因子

   （1）具有明确的方向的因子，如因子值越大越好的因子：最近12个月净资产收益率（roe_ttm）, 净资产收益率增长率（roe_growth ），企业价值乘数（ ebit2ev）, 最近12个月市盈率倒数（ep_ttm）, 最近报告期市净率（bp_lr）

   （2）方向不明确的因子：周收益率、一个月动量、12个月动量、波动率、振幅、对数市值、成交量

   对于方向不明确的因子，可以考虑取因子值排名后50名的成分股的日收益率作为“因子收益率”

3. 算法

   Logistic回归，训练集大小1000-1500，测试集150-250，k折交叉验证优化参数

4. 数据处理

   对特征进行标准化，并删除训练集中日收益率过小的样本

style_svc.ipynb

1. 策略**与数据

   采用一样的**，不过将特征数据换成了Barra的十个风格因子：

   Beta, Size, Momentum, Residual Volatility, None-linear Size,

   Value, Liquidity, Earning Yield, Leverage, Growth

2. 算法

   SVC，网格搜索

策略的评价指标

最长回撤期，最大回撤，年化收益率，Calmar比率，夏普比率，胜率