量化策略研究：DFQ機器學習行業輪動模型.pdf

量化策略研究：DFQ機器學習行業輪動模型。以基本面為主的行業輪動策略表現不佳： DFQ工業類行業輪動體系基于38個證監會 二級行業構建，轉化為中信一級行業后會損失較多信息。2020年以來top5行業組合 年化超額僅為3.33%。

行業動量輪動策略近兩年表現不佳：DFQ行業動量輪動策略2020年以來top5行業組 合年化超額僅為3.68%，2023和2024年均未獲正超額。

用機器學習選股因子合成行業因子

將機器學習模型訓練出的選股因子，按個股市值加權，合成為行業因子，進行行業輪 動。vae、xgb模型的多頭端top5行業組合整體表現較好，2020年以來top5行業組合 年化超額收益可達10%以上。但由于模型的選行業能力只是選股的副產品，行業輪動 因子是否有效很大程度上取決于運氣，使用起來不夠穩健。

DFQ遺傳規劃行業因子挖掘系統介紹

前期我們開發出了一套高效的DFQ遺傳規劃因子挖掘系統。模型主要有7點改進：提 升初始種群質量，提升每代種群質量，提升每代產生的有效公式數量，避免公式膨 脹，動態調整每代進化參數，降低挖掘因子的相關性，避免無效運算。

將DFQ遺傳規劃因子挖掘系統，遷移到行業上，挖掘行業因子。采用中信一級行業作 為輪動標的。挖掘月頻因子。采用滾動挖掘方式，每隔一年重新挖掘。訓練集采用滑 動窗口的方式，長度固定10年，每次向后挪一年。共設計145個特征，140個算子。 使用20個路徑下多頭（top5）行業組合的月均超額收益的最小值作為適應度。