20211019-德邦证券-德邦金工机器学习专题之一：利用机器学习捕捉因子的非线性效应.pdf

[Table_Main] 证券研究报告 | 金融工程专题报告 2021 年10 月19 日 金融工程专题 金融工程中期报告 利用机器学习捕捉因子的非线性 证券分析师 效应 肖承志 ——德邦金工机器学习专题之一 资格编号：S0120521080003 [Table_Summary] 邮箱：x iaocz＠ 投资要点： 研究助理  证券收益与风格因子之间不止存在线性关系。本文的研究表明，在因子与收益的线 性关系之外，还有很强的待挖掘的非线性关系。  机器学习算法可以用于挖掘非线性关系。因子与收益之间的非线性关系可能是复 杂函数，而用机器学习算法可以高效地对这种非线性关系进行建模、近似。 相关研究 1. 《机器学习因子：在线性因子模型  以线性回归的残差训练机器学习模型。线性模型是具有明显含义且相对容易理解 中捕获非线性—德邦金工文献精译第 的部分。我们保留线性模型的这一优势，用机器学习模型拟合线性回归的残差。 一期》 2021.9.17  机器学习的训练数据需要进行筛选和处理。训练机器学习模型时，需要选择合适的 回顾期和频率。尤其重要的是，输入的回报数据需要进行标准化处理。  采用集成模型的方法降低噪音和提取信号。由于回报数据的低信噪比，机器学习模 型总是在拟合信号的同时拟合了噪音，通过训练多个机器学习模型，再将多个模型 的预测值取平均，以尽可能消除噪音、保留信号。  通过部分依赖曲线观测机器学习模型的行为。机器学习模型具有黑箱特征，但我们 可以通过部分依赖曲线等工具研究其输入、输出之间的关系。通过部分依赖曲线， 可以观测到各个因子的非线性贡献的强度。  因子交互效应显著。机器学习方法具有非线性特征，因此可以表征因子共同变化时 产生的协同作用，称为交互效应。交互效应对机器学习因子的值具有显著的作用。  剥离机器学习因子中的风格因子。将机器学习因子对风格因子进行回归取残差，可 以得到剔除风格因子线性影响后的机器学习残差因子。机器学习残差因子表现出 稳定的alpha 因子特征，也是对传统多元线性回归方法的增量因子。  利用新构建的因子进行分组回测。利用机器学习因子分组回测可以得到很高的收 益率，但第十组(多头)超额收益在 2017 年以后不显著。剔除风格因子影响后，机 器学习残差因子的分组回测的第十组总体收益率下滑，但超额收益在近几年表现 良好。  因子表现统计。我们用多元线性回归的框架统计了所有风格因子与机器学习残差 因子的表现，包括值、因子收益率、收益波动