ZUFE_2025

策略思想

1. 策略思路

这套机器学习选股策略的核心在于“多因子筛选 + 排序学习打分 + 定期调仓”的组合逻辑。首先，通过整合估值、规模、动量/反转、波动、换手等多维度因子筛选股票池。剔除ST、新股等股票，并通过收益分位约束避开中期极端强势股和偏向短期回撤的股票。接着，使用StockRanker排序学习模型对股票进行打分，以“次日开盘买，第5天收盘卖”的收益（经过截尾去异常后分为20档）为标签，学习股票未来收益档位的相对优劣。最终，选择得分最高的10只股票等权持有，并每5个交易日以开盘价调仓一次。

2. 策略介绍

该策略充分利用了多因子模型和机器学习的优势。多因子模型通过综合多个不同维度的指标（如估值、规模、动量等）来捕捉市场信号，提供了更加全面的股票筛选机制。排序学习则不追求收益的精确预测，而是着重于收益的相对优劣比较，这更契合实际选股需求。标签的截尾和分箱处理有效降低了极端行情的干扰，使得模型训练更加稳定和易于收敛。

3. 策略背景

排序学习模型是一种机器学习方法，专注于学习数据中元素的相对顺序，而非具体的数值预测。相较于传统回归模型，排序模型更适用于选股等需要对结果进行排序的任务。在量化投资中，因子模型通过结合多种财务和市场指标，帮助投资者识别潜在的投资机会和风险。通过将因子分析与机器学习结合，该策略旨在通过数据驱动的方式提高选股的准确性和收益率。

策略优势

1. 多因子模型的全面性：通过结合估值、动量、波动等多个因子，策略能够捕捉到更丰富的市场信号，避免单一因子可能带来的偏误。
2. 排序学习的实用性：排序学习模型不追求收益的精确值，只强调相对优劣，这与实际的选股需求相契合，能够有效挑选出表现优异的股票。
3. 标签截尾和分箱处理：通过对标签进行截尾和分箱处理，策略能有效降低极端市场行情对模型训练的干扰，提升模型的稳定性和收敛性。
4. 定期调仓机制：每5个交易日进行一次调仓，确保投资组合能够迅速反映市场变化，捕捉短期投资机会。

策略风险

1. 收益周期与调仓周期不一致的风险：标签的收益周期为“次日到第5天收盘”，与5日调仓周期未完全对齐。在市场波动较大时，可能会导致收益偏差。
2. 股票池风格偏差的风险：收益分位筛选设计会使得股票池偏向“中期不极强 + 短期偏弱”的反转型风格，在趋势行情中可能表现不佳。
3. 缺乏风控规则的风险：策略缺少止损止盈、行业/市值约束、单票权重限制等风控规则，可能导致回撤过大或投资组合风格过于集中，增加投资风险。
4. 模型过拟合风险：在训练阶段可能会过于适应历史数据的特征，导致在实际应用时预测效果不如预期。为降低此风险，应在模型训练时关注验证集的表现，并考虑使用正则化等技术。

通过对策略的全面分析，我们可以更好地理解其潜在收益和风险，为量化投资决策提供可靠的依据。