【华泰证券】人工智能系列之二：人工智能选股之广义线性模型.pdf

: .


证券研究报告
0 行业中性基准下表现最好，选取前后排名 20%的样本在
中证 500 行业中性基准下表现最好。

正 则化对选股效果没有明显的提升
正则化对选股效果没有明显的提升作用。岭回归、Lasso 回归和弹性网络
的表现和线性回归类似。可能的原因是样本的所有特征都是已被证明有效
的因子，不存在使用正则化筛选有效因子的必要。其次预处理过程中包含
去极值和标准化等步骤，减少了极端样本的出现概率，进一步削弱正则化
的价值。

逻 辑回归和随机梯度下降分类器（SGD）的表现优于线性回归
将回归问题转换为分类问题能够提升模型表现。逻辑回归、SGD + hinge
损失函数、SGD + modified Huber 损失函数这三个分类器的回测效果均优
于传统的线性回归模型。三者之中又以 SGD + hinge 损失模型表现最佳，
以中证 500 作为行业中性基准，每个行业选 10~15 只个股的策略，信息比
率和 Calmar 比率均在 4 左右，超额收益最大回撤在 5%左右。三种分类器
之所以优于线性回归，可能的原因是对原始收益率进行二值化处理后，在
损失部分信息的同时消除了大量噪音，使得模型能够更准确地捕捉数据中
蕴含的规律。

风险提示：广义线性模型是历史经验的总结，存在失效的可能。
谨请参阅尾页重要声明及华泰证券股票和行业评级标准 1金工研究/深度研究 | 2017 年 06 月 22 日

正文目录
本文研究导读 ................................................................................