【国金证券】主动量化组合跟踪：5月机器学习中证500指增策略表现出色-260609（13页）.pdf

1、 敬请参阅最后一页特别声明 1 国证 2000 指数增强策略 经过因子测试与筛选，包括技术、反转、特异波动率等在内的因子在国证 2000 指数成分股上均有出色表现，我们所合成的各个大类因子也基本都起到了很好的提升效果。5 月该因子表现有所波动，IC 值-3.76%。样本外整体策略表现出色，5 月策略的超额收益为-4.18%。基于多目标、多模型的机器学习指数增强策略 根据国金金融工程团队发布的基于多目标、多模型的机器学习指数增强策略，原策略中我们选取了 GBDT 和 NN 两大类结构具有一定差异的模型，选取不同的特征数据集进行分别训练，并使用多种预测标签进行对比并融合，最终构建出的 GBDT+N

2、N 机器学习选股因子在 A 股各类宽基指数上历史表现优异。对此，我们创新性地将 Mamba-2 模型加入整体模型架构，该模型通过 SSD 把 SSM 计算重写为矩阵乘+少量结构化算子，既继承 Mamba 的“选择性状态压缩”，又在系统层面获得与 GPU 硬件高度匹配的输入输出优势，形成“表达力-效率-可扩展性”的三重平衡。构建了改进的机器学习选股模型，该模型能更好地捕捉近期的市场信息，表现出色。为贴合交易实际，我们构建了基于 MBGRU+LGBM 因子的机器学习模型的指数增强策略，通过对投资组合的跟踪误差进行控制，最大化因子暴露。回测区间自 2018 年 2 月 1 日开始，假定手续费率单边千

3、二，每月月初调仓。沪深 300 指数增强策略、中证 500 指数增强策略和中证 1000 指数增强策略上月超额收益率分别为 2.17%、3.02%和 0.77%，表现出色。基于红利风格择时+红利股优选的固收+策略 我们使用经济增长和货币流动性共 10 个指标，通过动态事件因子的体系构建的红利指数择时策略表现优异，相较于中证红利指数全收益有显著的稳定性提升。在选股方面，我们利用 AI 模型在中证红利指数成分股内进行测试，得到因子表现相对较好，能够长期获得较稳定的超额收益。上月选股策略获 0.32%的绝对收益率，择时策略收益率为-4.31%。固收+策略收益率为-1.41%，整体表现震荡。风险提示

4、以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。金融工程月报 敬请参阅最后一页特别声明 2 扫码获取更多服务 内容目录内容目录 一、国证 2000 指数增强策略.4 1 策略构建.4 2 国证 2000 指数选股因子跟踪.4 3 国证 2000 指数增强策略跟踪.4 4 最新策略信号.5 二、基于多目标、多模型的机器学习指数增强策略.7 1 策略构建.7 2 基于 Mamba 改进的 GRU+LGBM 沪深 300 指数增强策略跟踪.7 3 基于 Mamba 改进的 GRU+LGBM 中证 500 指数增强策略跟踪.8 4 基于 Mamba 改进的 GR

5、U+LGBM 中证 1000 指数增强策略跟踪.9 三、基于红利风格择时+红利股优选构建的固收+策略.10 风险提示.12 图表目录图表目录 图表 1：大类合成因子与国证 2000 增强因子 IC 指标.4 图表 2：增强因子 IC.4 图表 3：增强因子多空组合净值.4 图表 4：国证 2000 指数增强策略表现.5 图表 5：国证 2000 指数增强策略指标.5 图表 6：国证 2000 增强策略本月持仓列表.6 图表 7：MBGRU+LGBM 机器学习选股因子在沪深 300 成分股的组合指标跟踪.7 图表 8：MBGRU+LGBM 沪深 300 指数增强策略净值.7 图表 9：MBGRU

6、+LGBM 沪深 300 指数增强策略指标.8 图表 10：MBGRU+LGBM 机器学习选股因子在中证 500 成分股的组合指标跟踪.8 图表 11：MBGRU+LGBM 中证 500 指数增强策略净值.8 图表 12：MBGRU+LGBM 中证 500 指数增强策略指标.9 图表 13：MBGRU+LGBM 机器学习选股因子在中证 1000 成分股的组合指标跟踪.9 图表 14：MBGRU+LGBM 中证 1000 指数增强策略净值.9 图表 15：MBGRU+LGBM 中证 1000 指数增强策略指标.9 图表 16：基于红利风格择时+红利股优选构建的固收+策略主要指标.10 图表 17