【专题研究】DFQ机器学习行业轮动模型

文章预览

核心结论 行业轮动的必要性 以基本面为主的行业轮动策略表现不佳： DFQ工业类行业轮动体系基于38个证监会二级行业构建，转化为中信一级行业后会损失较多信息。2020年以来top5行业组合年化超额仅为3.33%。 行业动量轮动策略近两年表现不佳： DFQ行业动量轮动策略2020年以来top5行业组合年化超额仅为3.68%，2023和2024年均未获正超额。 用机器学习选股因子合成行业因子 将机器学习模型训练出的选股因子，按个股市值加权，合成为行业因子，进行行业轮动。 vae、xgb模型的多头端top5行业组合整体表现较好，2020年以来top5行业组合年化超额收益可达10%以上。但由于模型的选行业能力只是选股的副产品，行业轮动因子是否有效很大程度上取决于运气，使用起来不够稳健。 DFQ遗传规划行业因子挖掘系统介绍 前期我们开发出了一套高效的DFQ遗传规划因子挖掘 ………………………………