主要观点总结
本报告借鉴Bali等（2023）的研究，运用机器学习来模拟投资者分歧。将不同的特征集输入给多个机器学习模型，模拟投资群体接收差异化信息源、并产生不同投资预测的过程。根据模型预测差异构建的分歧度因子，能有效刻画投资者分歧，对股票未来收益具有显著的预测作用。
关键观点总结
关键观点1: 投资者分歧度越高，股票预期收益越低
Miller（1977）认为投资者分歧会导致股票价格过高，未来回报下降。本文通过深度学习因子验证了这一观点，样本空间为全A股，因子在特定回测期内表现出显著的周度RankIC均值和年化超额收益。
关键观点2: 树模型高效模拟投资者分歧
使用LightGBM等树模型模拟投资者的预测观点，通过计算预测值的标准差构建机器学习分歧度因子。该因子在回测中表现出良好的预测能力，周度RankIC均值有所提升。
关键观点3: 超参数选择对分歧度因子的影响有限
不同预测周期、投资者数量和特征数量对分歧度因子的回测表现有一定影响，但影响有限。不同机器学习模型构建的分歧度因子回测表现接近。
关键观点4: 股票做空限制、动量和投资者认可度对分歧度因子影响显著
使用机构持股比例衡量个股的做空难易程度，发现分歧度因子在多空表现中更加显著。近期涨幅大的股票池中分歧度因子的多空组合年化收益率较高。根据模型预测均值构建的投资者认可度因子与分歧度因子等权合成的复合因子RankIC和多头收益均有提升。
关键观点5: 风险提示
借助机器学习构建的选股策略是历史经验的总结，存在失效的可能。机器学习存在过拟合的风险。本报告回测暂未考虑交易费用。
文章预览
人工智能系列之80：机器学习用于模拟投资者分歧 投资者分歧是推动交易的原因之一，对金融市场的资产定价具有重要意义。本文运用机器学习来模拟投资者分歧。将不同的特征集输入给多个机器学习模型，模拟投资群体接收差异化信息源、并产生不同投资预测的过程。最后，根据模型预测差异构建的分歧度因子，能够有效刻画投资者分歧，对股票未来收益具有显著的预测作用。 核心观点 投资者分歧度越高，股票预期收益越低 Miller（1977）认为投资者分歧会造成股票价格过高，未来回报下降，原因是乐观投资者推高股价，而悲观投资者受到做空限制，对市场的影响力更弱。本文利用现有的多个深度学习因子，构建深度学习分歧度因子，验证了投资者分歧与股票未来收益的负相关性。样本空间为全A股，因子在2017/1/4～2024/5/31的回测期内周度RankIC均值
………………………………
