金融工程深度研究：以空間換時間，多目標基本面選股因子挖掘框架.pdf

金融工程深度研究：以空間換時間，多目標基本面選股因子挖掘框架。

人工智能 95：構建多目標遺傳算法，挖掘基本面選股因子

經過前期報告對因子計算和評價過程的 GPU 加速、對因子評價維度的擴充 和對種群多樣性的提升后，我們團隊的因子挖掘框架相較傳統的單目標遺傳 規劃已經“脫胎換骨”。本文將其應用于基本面選股因子挖掘，獲得了分組 單調性較好、|IC|勝率較高、多頭組表現亮眼的因子。尤其是在全成分內中 證 1000 指增上，基本面合成因子的扣費后年化超額收益高達 32.5%。其令 人驚喜的表現說明中證 1000 成分股的基本面信息依然具有豐富的 α。基本 面合成因子和“輿情分診臺”量價因子的長期相關性僅為 0.07。

將基本面因子的表達式參數化，使用多目標遺傳算法開展優化

為了提升基本面因子的可解釋性，我們用 11 個參數來約束因子表達式的格 式，而不再用樹狀結構來表達因子。相應地，因子挖掘框架從遺傳規劃退變 為通用的遺傳算法，可以不再依賴 deap 等包執行。為了提升因子種群多樣 性，進而提升因子種群對抗過擬合的性能，我們同時引入三維因子評價指標 ——|IC|評價因子分組單調性，|IC|勝率評價因子時序穩定性，NDCG@k 評 價因子多頭組表現。NSGA-II 算法能在不對三者加權的前提下，對因子進行 優劣排序和選取。為了能夠在相對“廉價”的硬件上高效完成因子挖掘，我 們還做了內存和顯存管理，實現了“以空間換時間”的效果。

對基本面指標開展較精細的預處理，得到 71 個指標作為因子挖掘輸入

因子挖掘輸入指標涵蓋市場表現、分析師一致預期、三大財務報表科目。大 部分財報指標有當季值(MRQ)和滾動四個季度之和(TTM)兩種呈現方式。考 慮到傳統價值因子存在分子分母錯配問題，我們引入企業價值指標，將其作 為價值因子分母的備選；考慮到業績預告或業績快報的信息更及時，我們將 其和正式財報中的相關指標融合；考慮到出于會計謹慎性而費用化的研發支 出在未來可能會給企業帶來豐厚的回報，我們將研發費用加回利潤總額類科 目；考慮到一致預期指標在年報發布前后會出現數值和含義的雙重跳變，我 們對其進行了重構；我們根據預測機構評級，計算了個股綜合評級得分。

基本面合成因子分組單調性較好、|IC|勝率較高、多頭組表現亮眼

每季度末重新挖掘因子，結合貪心策略和共線性排除，選取驗證集上表現最 好的一批因子，合成最終的基本面選股因子。取回測區間為 2019-12-31 至 2025-07-31，開展雙周頻調倉。在滬深 300、中證 500、中證 1000 共 1800 只成分股的十分組測試中，合成因子多頭組表現相較其余九組較為亮眼，脫 離了空頭 α“陷阱”。在全成分內指數增強測試中，滬深 300、中證 500 和 中證 1000 指增在考慮雙邊 3‰的手續費后，分別取得了 10.1%、13.6%和 32.5%的年化超額收益。長期來看，合成因子偏好高盈利、強反轉、大市值 和低換手的成分股，比較符合價值投資的理念。