本报告系统研究了人工智能选股中的特征选择方法，涵盖过滤式、包裹式、嵌入式三类方式。通过对逻辑回归、XGBoost等基学习器结合F值、互信息等指标筛选特征，验证了特征选择可有效提升模型AUC及选股策略表现，且特征数在50左右时效果最佳。回测显示，基于特征选择的改进模型在年化超额收益、信息比率等多项指标上相较基学习器有显著提升，尤其是基于F值+FDR和互信息的筛选方法表现突出，为海量因子下选股模型开发提供了重要路径。[pidx::0][pidx::15][pidx::18][pidx::22]
本报告系统介绍并创新性应用了改进的Stacking集成学习框架于多因子选股策略中，提出基于适应度指标的基模型选择方法，有效结合了基模型的不同训练数据和算法优势，实现超额收益最大化及最大回撤最小化。关键图表显示，最佳组合模型（XGBoost_72m与逻辑回归_6m集成）2011年至2018年相较中证500年化超额收益达27.75%-29.45%，回撤仅8.92%-10.18%，Calmar比率显著提升至2.73-3.25，且模型表现稳定，具备极高预测能力和风险控制能力。[pidx::0],[pidx::4],[pidx::14],[pidx::17],[pidx::23]
本报告提出将华泰周期三因子引入多因子选股的随机森林模型，形成因子择时与选股一体化策略。周期三因子通过刻画市场状态，实现了择时切换投资逻辑，提升了模型的预测准确率和选股绩效。回测期间，加入周期三因子的随机森林模型年化超额收益上涨2.6%，最大回撤下降3.7%，信息比率及Calmar比率显著提升，且优于XGBoost模型及传统因子模型，在多种配置下稳定性较好。训练集长度选取6个月，以适应市场风格转变并有效利用周期因子拐点信息。该研究展示了宏观周期因子与机器学习结合的实际效果及运用价值 [page::0][page::2][page::5][page::6][page::7][page::10][page::11][page::14]。
本报告系统测试了传统RNN、LSTM和GRU三种循环神经网络模型在2011年至2017年全A股选股中的表现。结果显示，LSTM模型在样本外正确率和年化超额收益率（20.36%-25.05%）及信息比率（2.95-3.76）方面优于传统线性回归，但最大回撤稍高。LSTM模型的权重训练过程揭示了其可解释性，同时基于月频多因子数据，神经网络模型表现不及XGBoost，主要因数据量限制，期待未来高频大数据场景继续深入研究。[pidx::0][pidx::16][pidx::24][pidx::28]
本报告系统研究了基于全连接神经网络的多因子选股模型，详细阐述了神经网络结构设计、激活函数、前向与反向传播原理及优化手段。通过覆盖2011年至2017年A股市场的实证测试，构建的70-40-10-3全连接神经网络模型在三分类任务中达到42.9%的正确率和38%的F1-score，分层回测显示其年化超额收益率达19.15%~25.36%，信息比率2.81~3.35，优于线性回归模型，但最大回撤略大。多图表（如图表15-28）呈现了模型性能及策略效果的全面对比，表明该神经网络模型在多因子选股领域具有显著优势及实用价值。[pidx::0][pidx::18][pidx::20][pidx::22][pidx::25]
本报告系统介绍了基于Python语言构建机器学习多因子选股模型的全过程，涵盖环境配置、包安装、数据处理、模型训练与预测、策略构建与回测等关键环节。结合支持向量机模型及主成分分析降维，实证展示了模型的训练、预测精度及策略净值曲线（见图46），验证机器学习模型在A股多因子投资中的实用性与优越性，为投资者提供了完整的实践路径。[pidx::0,pidx::14,pidx::15,pidx::16,pidx::31]
本报告系统测试了AdaBoost、GBDT和XGBoost三种Boosting集成学习模型在多因子选股中的表现，发现XGBoost模型在超额收益、信息比率和计算速度上均优于线性回归及其他Boosting模型。通过分阶段滚动回测，XGBoost策略在沪深300、中证500及全A股池中均表现出显著的超额收益和较高的信息比率，尤其全A股选股策略超额收益达31.5%，信息比率4.4，且模型因子重要性分析显示市值因子在不同时间段的作用波动明显。整体看，Boosting分类模型是具有高收益、高回撤特征的有效选股工具，对投资者在机器学习选股上的应用有较高参考价值。[pidx::0][pidx::13][pidx::16][pidx::34]
本报告系统介绍了随机森林模型在多因子选股中的应用，展示了其通过Bagging集成决策树提升预测精度与稳健性。结合2011-2017年沪深300、中证500及全A市场数据，通过7阶段滚动回测和参数敏感性分析，确定最优模型参数。实证结果表明，随机森林模型在预测准确率（AUC最高达0.615）和信息比率方面优于传统线性回归模型及朴素贝叶斯模型，尤其在全A选股中取得年化超额收益达30.6%，信息比率达4.17的显著提升。同时指出当前模型受市值和反转因子影响较大，受市场风格切换影响存在较大回撤风险，为后续研究方向提供了重要参考。[pidx::0][pidx::13][pidx::16][pidx::19][pidx::29]
本报告系统测试了朴素贝叶斯、线性判别分析（LDA）及二次判别分析（QDA）三种生成模型在多因子选股中的应用，采用时间序列交叉验证方法，评估模型分类正确率与AUC表现。结果显示LDA模型整体表现优于其他方法，且在沪深300、中证500成份股内选股效果突出，朴素贝叶斯模型在部分场景表现稳定且计算高效。基于模型预测概率构建的行业中性分层组合回测显示，策略具有显著超额收益和良好风险控制能力。全文详细比较了特征处理、训练期长短对模型效果影响，并以沪深300、中证500及全A三个市场为标的进行综合回测，验证模型的实用性与适用范围，为投资者提供高效的量化选股工具和实施框架 [page::0][page::3][page::9][page::11][page::15][page::24]
本报告系统测试了线性核、多项式核、高斯核和 Sigmoid 核等多种支持向量机（SVM）及支持向量回归（SVR）模型在多因子选股中的应用。结果显示，高斯核 SVM 模型在沪深 300、中证 500 和全 A 股中均能实现较高的超额收益率（最高达21.1%），且信息比率明显优于线性回归和其他核函数，尽管回撤表现未显著改善。参数寻优采用网格搜索，选取交叉验证集最佳参数。分层回测、行业与市值区间表现均较优，且SVM模型预测值与多种交易因子相关，有效捕捉市场非线性特征。整体来看，高斯核支持向量机在多因子选股策略中展现稳定的盈利能力，优于支持向量回归和多数其它核函数支持向量机。报告同时探讨了PCA预处理的影响及固定训练集滚动训练集策略区别，为机器学习在量化选股领域的应用提供了重要参考。[pidx::0][pidx::3][pidx::14][pidx::16][pidx::21][pidx::28]
本报告系统研究广义线性模型在多因子选股中的应用，涵盖线性回归、逻辑回归、岭回归、Lasso、弹性网络及随机梯度下降等方法，通过统一框架深入分析模型构建、参数选择、正则化及损失函数影响，回测显示线性回归具备稳定选股能力，分类模型表现优于回归模型，尤其SGD+hinge损失模型，年化超额收益和信息比率显著提升，相关模型参数敏感性分析指出滚动训练集长度12-24月及保留全部主成分较优，正则化效果不明显，策略有效覆盖沪深300和中证500标的池，具有较强的实践指导价值 [page::0][page::3][page::11][page::14][page::31][page::32]
本报告系统性介绍机器学习及人工智能在投资领域中的应用框架，涵盖机器学习基本流程、监督学习与无监督学习方法、交叉验证及模型评价等基础内容。重点介绍了主流机器学习算法，包括线性回归、逻辑回归、支持向量机、决策树与随机森林、AdaBoost、神经网络及深度学习、K 最近邻算法、聚类和降维方法，配合丰富金融实证例子和可视化图表阐释算法原理与实践应用，为投资者构筑机器学习选股策略打下基础[page::0][page::1][page::3][page::4][page::10][page::15][page::18][page::26][page::30][page::33]。
本报告针对上市公司现金流特点进行多维度细分，构建现金流效率、质量、增长和稳定性因子体系，结合IC检验和分层回测验证因子有效性。基于因子表现，设计华泰现金流选股模型，选取经营现金流动负债比率等核心因子，回测表现显著优于中证500指数，验证现金流因子在股票多因子选股中的应用价值 [page::0][page::9][page::75]。
本报告基于华泰证券相对市盈率模型，对港股通市场进行量化选股实证研究，结合多张图表（如港股通组合净值曲线图）验证模型有效性。研究显示，基于24个月移动平均的相对市盈率策略，在2011年至2017年取得年化收益率20.73%，夏普比率0.89，且低估股票组合表现优于市场，具备较高投资价值和风险调整收益，适合港股通市场投资者参考。[pidx::0],[pidx::12],[pidx::14]
本报告基于小费雪投资理念，结合A股特性，构建了低市收率价值选股模型。模型融合静态市收率与相对市收率布林指标，通过辅助基本面指标剔除负债高企及盈利能力差的“困难公司”，甄别“超级股票”。历史回测2005-2017年年化收益率达38.02%，夏普率1.00，显著超越沪深300及中证500指数。模型多空对冲收益率稳定，行业分布均衡，适应资产配置需求并具备鲁棒性和风控效果 [page::0][page::3][page::4][page::16][page::17][page::18]
本报告基于美国著名投资人小费雪低市收率选股策略，结合港股通市场结构及流动性特点，验证市收率因子的有效性并构建华泰增强低市收率选股模型。报告提出剔除流动性差和小市值股票，结合营业收入增长率、净利润增长率及净利润率“汰劣”，提升模型收益稳定性。实证显示，增强模型2006-2017年总收益率达974.9%，年化收益24.3%，远超单因子模型及恒生指数，且夏普率提升至0.7，显示出优异的风险调整收益表现。[pidx::0][pidx::4][pidx::10][pidx::18][pidx::19]
本报告基于华泰证券自主研发的高股息率选股模型，在港股通市场应用并进行量化实证研究。通过剔除流动性较差个股，构建了基于股息率和payout因子的行业中性选股策略。模型回测2007-2017年总收益率230.15%，年化收益14.05%，夏普比率0.46，显著优于恒生指数。研究系统分析了港股通市场流动性、市值分层、股息率分层及payout因子的预期表现及实证收益，验证了高股息率与低payout的组合具有较好的风险调整收益，且策略在各行业均表现稳健，且换手率适中，适合投资实盘应用[page::0][page::3][page::4][page::7][page::8][page::9][page::13][page::17][page::18][page::20].
本报告基于比乔斯基市净率低估选股策略，结合阿塔曼Z-Score财务困境模型，提出华泰低市净率FFScore选股模型。通过对上市公司15个财务指标的深度优化，实证结果显示，低市净率、且FFScore高的股票组合在A股市场表现优异，年化收益率达43.82%，夏普比率1.03，显著优于传统比乔斯基9指标及5指标模型，且有效提升组合稳定性和投资价值判断的准确性，风险控制表现良好，图表33所示其净值表现长期领先市场基准。[pidx::0][pidx::5][pidx::6][pidx::9][pidx::12][pidx::21][pidx::23][pidx::26][pidx::33]
本报告基于小费雪低市收率选股思想，结合A股市场实际，推出了低市收率为核心，辅以收入增长率和利润增长率筛选的量化选股模型。实证结果显示，该模型自2006年至2016年累计收益达2027.10%，年化收益34.64%，显著超越沪深300和中证500。图7（模型回测净值图）及图8（相对收益图）清晰展示了模型的稳定超额收益表现。此外，模型在多数一级行业有效，低市收率组合通常市值更大且长期表现优异，体现了低市收率因子的显著有效性和稳定性。[pidx::0][pidx::6][pidx::8][pidx::12]
本报告基于美国著名投资人奥轩尼斯的选股思想，结合A股市场特点，构建高股息率选股模型。实证显示，高股息率组合在行业内表现出更高的长期收益率（年化30.03%）和较优夏普比率（0.84），且该因子对大市值股票表现尤为有效；模型自2005年至2016年累计收益达1720%，年化收益29.18%，显著超越沪深300和中证500基准 [page::0][page::4][page::5][page::9]。
