机器学习系列报告之五：锦上添花，机器学习算法助力组合优化-光大证券-20200222
由qxiao创建，最终由qxiao 被浏览 105 用户
摘要
因子研究一直是量化领域的重心。研究者在基于新数据新想法不断努力挖掘有效因子的同时，如何将手头上已有的因子转化为最终的投资组合也是摆在基金经理们眼前的现实问题。本篇报告的主要研究目的，是在给定最终复合因子的前提下，探索新的多头股票组合构建及优化方式，并运用机器学习算法实现具有操作意义的指数增强构建方法。
因子组合构建方式不多：多为线性优化
线性优化是主流的因子组合构建方式之一，它有着简单直观、优化计算复杂程度低，计算耗时极少的优点。但相应的，它的不足之处是丢弃了不同个股之间的相关性信息，同时会使得最终的优化结果中，个股集中程度较大。
二次规划带来的边际提升有限
采用二次规划的优化方式，可以融入个股间相关性信息。但通过测试，以历史收益估计协方差矩阵的二次规划基本不能在线性优化基础上带来边际改善。而通过风格因子数据估计协方差矩阵的二次规划虽能小幅提高组合的信息比率，但波动与最大回撤也相应增大，整体带来的边际改善较为有限。同时二次规划对于参数的敏感性过高也是其痛点之一。
借鉴风险预算模型：运用机器学习算法克服优化难点
借鉴资产配置中的风险预算模型构建因子组合的优化问题，并运用机器学习中的循环坐标下降（CCD）与交替方向乘子（ADMM）算法，解决在有各类约束条件下的优化实现。使优化问题具有可操作性。
风险预算增强组合更稳定：跟踪误差小、换手低、持股更分散
以综合质量因子EBQC因子为例，分别比较线性优化、风险平价优化、风险预算优化下的中证500指数增强与沪深300指数增强（测试区间为2009-02-01至2019-12-31）。其中风险预算优化中证500增强组合相比线性优化组合，信息比从1.54提升至1.80，最大回撤由7.7%降至6.4%，换手率从48.5%降至41.0%，分散比率均值由1.64升至1.68。风险预算优化沪深300增强组合相比线性优化组合，信息比从1.49提升至1.61，最大回撤由4.4%降至3.6%，换手率从37.4%降至33.0%，分散比率均值由1.65升至1.68。
正文
/wiki/static/upload/d1/d195bd81-7578-4c94-85f3-c6622bbcff8c.pdf
\