核心观点
　　本文将前期研究推出的AlphaCY择时系统应用于股票市场，以不同于因子打分的选股方法，提出一种无因子择时的指增策略构建方法，在沪深300、中证500和中证1000指数应用均得到验证。其中中证1000增强等权组合在2017至2022年实现了84%的累积超额收益，平均年化超额收益11.34%。
　　利用强化学习动态择时构建无因子指增模型有优势
　　AlphaCY智能择时系统利用强化学习框架解决量价模型与因子选股研究中常见的因子失效等问题，为指数增强策略提供了一种无因子择时增强的解决方案。市场行情风格变化和成分股特征变化会随着算法迭代在交易行为评价中体现，从而实现动态自适应的组合策略。
　　无因子择时指增组合表现与指数成分股多样性呈正相关
　　由无因子择时增强策略构建的指增组合表现优异，其中中证1000指增等权组合累积超额收益达84%，中证500指增和沪深300指增分别为71%和49%。指增模型的表现随指数成分股的丰富程度而提升。
　　模型在熊市或指数行情低迷时能提供高于平均水平的超额收益
　　本模型重视成分股的多空判断，因此在熊市或指数行情低迷时更具优势，例如2018年沪深300指增，中证500指增及中证1000指增的超额收益依次为14.56%，25.51%，和27.75%。
　　风险提示
　　通过模型算法构建的策略基于历史数据的统计归纳，模型力求自适应跟踪市场规律和趋势，但仍存失效可能，须谨慎使用。报告内涉及的模型超额收益等指标均限于一定测试时间和测试样本得到，收益指标不代表未来。
　　

研究报告全文：证券研究报告金融工程深度金融工程深度报告日期年月日20230308基于成分股择时的指数增强策略核心观点分析师陈冀执业证书号S1230522110001本文将前期研究推出的AlphaCY择时系统应用于股票市场以不同于因子打分的选chenjistockecomcn股方法提出一种无因子择时的指增策略构建方法在沪深300中证500和中证1000相关报告指数应用均得到验证其中中证1000增强等权组合在2017至2022年实现了84的1成绩的赛道010累积超额收益平均年化超额收益113420201010利用强化学习动态择时构建无因子指增模型有优势2AlphaCY系统优化系列报告AlphaCY智能择时系统利用强化学习框架解决量价模型与因子选股研究中常见的一20220709因子失效等问题为指数增强策略提供了一种无因子择时增强的解决方案市场行情风格变化和成分股特征变化会随着算法迭代在交易行为评价中体现从而实现动态自适应的组合策略无因子择时指增组合表现与指数成分股多样性呈正相关由无因子择时增强策略构建的指增组合表现优异其中中证1000指增等权组合累积超额收益达84中证500指增和沪深300指增分别为71和49指增模型的表现随指数成分股的丰富程度而提升模型在熊市或指数行情低迷时能提供高于平均水平的超额收益本模型重视成分股的多空判断因此在熊市或指数行情低迷时更具优势例如2018年沪深300指增中证500指增及中证1000指增的超额收益依次为14562551和2775风险提示通过模型算法构建的策略基于历史数据的统计归纳模型力求自适应跟踪市场规律和趋势但仍存失效可能须谨慎使用报告内涉及的模型超额收益等指标均限于一定测试时间和测试样本得到收益指标不代表未来httpwwwstockecomcn112请务必阅读正文之后的免责条款部分金融工程深度正文目录1量价模型与单资产择时411单资产的市场状态预测412基于强化学习的动态决策413实现单资产择时策略52构建无因子指增策略521实现指数择时增强策略622回测设置及数据说明63指数增强组合实证731沪深300指数增强732中证500指数增强833中证1000指数增强94结论115风险提示11httpwwwstockecomcn212请务必阅读正文之后的免责条款部分金融工程深度图表目录图1基于AlphaCY系统的单资产择时模型4图2基于成分股择时的无因子指数增强模型6图3沪深300指数增强等权组合收益表现7图4沪深300指数增强市值加权组合收益表现7图5中证500指数增强等权组合收益表现9图6中证500指数增强市值加权组合收益表现9图7中证1000指数增强等权组合收益表现9图8中证1000指数增强市值加权组合收益表现9表1不同监督学习模型应用于择时系统的表现对比5表2沪深300指数增强表现7表3沪深300指数增强等权组合超额收益8表4中证500指数增强表现8表5中证500指数增强等权组合超额收益8表6中证1000指数增强表现10表7中证1000指数增强等权组合超额收益10表8指数增强等权组合2017至2022年回测表现对比10httpwwwstockecomcn312请务必阅读正文之后的免责条款部分金融工程深度1量价模型与单资产择时利用量价模型进行因子选股研究由来已久但近年来传统量价因子逐渐失效业界对于机器学习模型在因子构建和因子筛选的研究也层出不穷但金融市场时间序列的非平稳性和风格迁移是监督学习模型难以克服的难题针对以上两点报告成绩的赛道010版中推出的AlphaCY系统充分利用了强化学习动态自适应的特点结合模拟机器人视觉设计的K线特征提取模型实现了对A股市场万得一级行业的轮动跟踪并且在后续优化中对智能系统的图识别模型进行优化本文使用AlphaCY系统在股票市场进一步落地基于有效的单资产择时模型构建一种新型的无因子指数增强策略对于指数成分股不再使用因子打分排序的方法来选股本节对模型实现进行回顾并介绍单资产择时框架11单资产的市场状态预测预测股票短期市场状态的分类器模型使用GAF-CNN结构对个股的量价数据信息OHLCVolume进行处理依据其不同时间维度的未来收益将状态分为8种详细论述见前述报告成绩的赛道010版实现对个股的短期状态进行预测从而能接近实时地对于股票接下来的短期走势有较为准确的判断使得在第二阶段通过强化学习算法对当前时刻的多空进行决策12基于强化学习的动态决策由于强化学习算法的自适应性能够修正传统的监督学习模型在市场风格变化下的泛化能力不足的问题在第一步预测个股市场状态的基础上系统使用强化学习的方法训练AI在不同状态下做出交易决策AlphaCY系统选用了经典时序差分算法中基于价值的Q-learning算法进行训练以Q-table形式落地对于Q-table的更新采用如下方法max1其中即为模型根据现有状态和Q-table所选取得的行为选择强化学习来实现交易决策是因为模型agent时刻记录着交易行为在不同市场状态下的价值即根据一定折现比率计算交易行为可取得的期望回报每种状态下每种交易行为的价值并不是一成不变的而是随着时间根据样本更新图1基于AlphaCY系统的单资产择时模型资料来源浙商证券研究所httpwwwstockecomcn412请务必阅读正文之后的免责条款部分金融工程深度13实现单资产择时策略前期对Q值的分组回测已经证明了择时系统的有效性本文在最终的交易决策步骤进行了简化不再使用Q值对股票资产进行排序而是根据查询Q-table所获得的价值最高的行为进行买卖交易图1展示了本文中单资产择时的实现流程考虑到以Q-table输出的动作直接对股票进行交易而不是使用连续的信号值因此在第一阶段个股短期状态的预测是否存在比GAF-CNN更加灵敏的分类器值得关注本文对此设计实验进行了筛选随机抽取500只股票作为样本池剔除上市时间未满2年的股票及ST股票遵照每季度对模型进行训练并对下一季度的样本进行状态预测再通过Q-table追踪股票状态变化判断多空测试区间取2017年1月至2022年12月模型间的评价指标包括样本池内所有股票的等权平均累积超额收益等权平均年化超额收益以及择时策略相较于标的超额是否为正统计各个模型的胜率监督学习模型部分除了系统原本的GAF-CNN本文另外选择了处理时间序列特征较常见的两种模型含注意力机制的LSTM和Transformer并以全连接层网络作为比较基准将量价数据转换为GAF特征时使用日K线合成周度K线见报告AlphaCY系统优化系列报告一因此其他模型的输入特征回看窗口为50个交易日以保证有相同的输入信息本文在第一阶段模型筛选时对输入数据不再使用分钟K线数据表1不同监督学习模型应用于择时系统的表现对比累积超额收益年化超额收益胜率LSTMattn15102377460Transformer16752617280GAF-CNN36025268260VanillaNNBaseline8051296540资料来源浙商证券研究所由表1可知GAF-CNN模型更能充分提取股票量价数据中的有效信息基于本文中的单资产择时模型在所选券池样本中80以上的股票实现超额收益整体上的平均累积超额收益达到36平均年化超额收益5以上因此本文在后续构建指数增强策略时继续沿用GAF-CNN作为第一阶段的分类模型2构建无因子指增策略指数增强无疑是兼具容量和风险收益平衡的投资策略在除去货币型和纯债型产品的基金市场中已占据千亿规模截止2月20日收盘A股市场中沪深300中证500和中证1000的指数增强基金已接近300支单只基金产品规模最高达68亿元其中沪深300指数增强基金的平均规模已达到5亿元以上传统的指数增强策略离不开因子选股其模型构建通常分为因子构建和因子加权两部分许多机器学习模型也提供了日间量价选股的解决方案但始终面临因子选股和传统监督学习的困局本文以另一种角度来实现指数增强不再研究个股是否具备alpha而是通过对指数成分股择时的方法直接构建指数增强组合即无因子的指数择时增强策略httpwwwstockecomcn512请务必阅读正文之后的免责条款部分金融工程深度另一方面尽管单资产择时策略可以通过对标的和参数的双重筛选实现超高收益但策略容量上限明显并且在模型看空阶段会经历资金闲置的情况因此对于得到验证的单资产择时模型指数增强策略是一个理想的应用场景21实现指数择时增强策略本文对图1中所展示的单资产择时系统加以改造在每个交易日对指数成分股的数据进行处理对每只股票未来短期走势形成预测并依据强化学习算法得到相应的交易行为持有L空仓S最后根据指增策略对成分股的分配权重得到当天指增组合的仓位配置权重可采取等权分配或与指数编制相同的市值加权分配值得注意的是第一阶段股票短期状态预测的分类器GAF-CNN是由股票池中的所有样本共同训练的而第二阶段交易决策的价值表格即Q-table是针对每只股票单独维护的单独维护的Q-table能充分反映出对于不同的股票相同的交易行为即使在相似的市场状态下也具有不同的价值图2展示了由单资产择时改造而来的无因子指数增强模型在每个交易日的执行流程在进行历史数据回测的过程中的其他注意事项在22中说明图2基于成分股择时的无因子指数增强模型资料来源浙商证券研究所22回测设置及数据说明本次策略回测时间跨度选取为2016年1月至2022年12月对A股市场的主要宽基指数进行测试包括沪深300指数中证500指数和中证1000指数输入数据使用各个指数的成分股量价数据第一阶段模型的训练间隔对于不同指数略有不同在每个训练周期内取前80时间作为训练集后20时间作为验证集防止模型过拟合根据沪深300指数中证500指数以及中证1000指数调整成分股的频率以及幅度的不同对于上述三个指数采用了不同的训练周期沪深300指数成分股调整频率较为稳定且调整幅度较小故根据以每半年作为调整频率进行模型训练中证500指数与中证1000指数成分股调整频率参差不齐每半年之中常有个别月份成分股有大幅变动故每个月进行模型训练历史数据的样本依然选取之前半年的数据httpwwwstockecomcn612请务必阅读正文之后的免责条款部分金融工程深度图3沪深300指数增强等权组合收益表现图4沪深300指数增强市值加权组合收益表现资料来源浙商证券研究所资料来源浙商证券研究所回测过程中按照不同指数选定的训练周期以该周期内该指数所包含的成分股作为训练样本下一个训练期指数所包含的成分股作为样本外数据进行预测以避免使用未来信息其中成分股分别按照等权以及市值加权的方式计算净值3指数增强组合实证根据22节中所介绍的回测数据和方法本文将对上述无因子指增策略在沪深300指数中证500指数以及中证1000指数的表现依次分析因为Q-table需要预留一段时间的历史经验来迭代更新故本文取2017年以后的行情回测来评价策略表现策略评价指标使用年化收益率和夏普比率作为收益指标用最大回撤和波动率作为风险指标共同衡量指增组合的表现31沪深300指数增强沪深300的指增策略整体波动性较指数降低最大回撤明显较指数缩小等权重加权的指增组合在近年表现优于按市值加权的指增组合逐年统计的结果如表23所示表2沪深300指数增强表现等权组合201720182019202020212022收益率1050-118038702320820-810波动率66013701450171011101280最大回撤-470-1800-890-1100-680-1420夏普比率159-087241135079-062市值加权组合201720182019202020212022收益率1750-101032701820-100-1290波动率73014101310152013201380最大回撤-430-1560-440-1350-1110-1660夏普比率233-071220122-001-097资料来源浙商证券研究所httpwwwstockecomcn712请务必阅读正文之后的免责条款部分金融工程深度表3沪深300指数增强等权组合超额收益201720182019202020212022收益率-10101456075-23114371316波动率510930770740960860最大回撤-1120-460-510-1040-610-580夏普比率-184170014-060131178资料来源浙商证券研究所沪深300择时增强在2021至2022连续两年实现了13以上的年化超额收益在2018年市场下行时也有1456的超额收益但策略在17年19年初和21年初的大盘股强势行情下表现不佳可归因于模型对个股择时但是对成分股之间并不进行比较因此当指数行情受个别高权重股票的影响择时增强模型不会增大这部分个股的权重因此会在一定程度上错失指数的beta32中证500指数增强中证500指数与沪深300指数行情相关性较高指数增强策略的表现也十分相近但累积超额收益相较于沪深300有明显提升2017至2022年底累积收益共71在2018年和2022年整体市场行情低迷时指增策略相较于指数提供了良好的超额收益并且在2022年其最大回撤仅-58但受到成分股频繁调整的影响在对个股短期状态预测时要处理更多训练集股票池外的样本导致在成分股切换的时候模型表现欠佳表4中证500指数增强表现等权组合201720182019202020212022收益率230-870329020301540-470波动率7601270137014909601350最大回撤-660-1310-570-990-650-1650夏普比率035-067222137160-030市值加权组合201720182019202020212022收益率350-1100327018201460-680波动率79013801310152011201420最大回撤-630-1400-440-1350-760-1840夏普比率049-081227140132-044资料来源浙商证券研究所表5中证500指数增强等权组合超额收益201720182019202020212022收益率34125517881661881316波动率770125012401430760860最大回撤-750-580-1170-1040-480-580夏普比率035243044019025186资料来源浙商证券研究所httpwwwstockecomcn812请务必阅读正文之后的免责条款部分金融工程深度图5中证500指数增强等权组合收益表现图6中证500指数增强市值加权组合收益表现资料来源浙商证券研究所资料来源浙商证券研究所图7中证1000指数增强等权组合收益表现图8中证1000指数增强市值加权组合收益表现资料来源浙商证券研究所资料来源浙商证券研究所33中证1000指数增强中证1000指数成分股与沪深300指数中证500指数在股票市值上已经有了明显的差异股票的价量特征关系也发生了变化并且成分股数量增加了一倍指增模型的表现更能体现模型的泛化能力中证1000指增组合表现由表6-7展示其累积净值曲线和超额收益见图7-8与沪深300中证500指增结果相似中证1000指增组合也在指数下跌行情中取得了良好业绩即20172018年和2022年上半年中证1000指增等权组合每年的最大回撤有效控制在了15以内累积超额收益达到84沪深300指增49中证500指增71并且保持连续六年超额收益为正中证1000指增等权组合在2017年至2022年的平均年化超额收益达到了1134对比沪深300中证500和中证1000指增策略的回测结果本文提出的择时增强模型表现与指数成分股数量的多少相关指数成分股越丰富无因子择时的增强效果就越好在此基础上对沪深300指增和中证500指增模型的优化可以通过扩大状态分类器训练的股票样本数量来实现httpwwwstockecomcn912请务必阅读正文之后的免责条款部分金融工程深度表6中证1000指数增强表现等权组合201720182019202020212022收益率-390-980311020602120-490波动率81013101450159011801640最大回撤-820-1500-670-1070-750-2160夏普比率-047-075199130175-024市值加权组合201720182019202020212022收益率-440-1010313022602100-860波动率83014101450172014101790最大回撤-860-1630-670-1280-860-2460夏普比率-052-092220132147-043资料来源浙商证券研究所表7中证1000指数增强等权组合超额收益201720182019202020212022收益率142027754793533411637波动率8801310133015009301010最大回撤-600-720-1370-1360-660-1060夏普比率175265017009016180资料来源浙商证券研究所表8指数增强等权组合2017至2022年回测表现对比累积超额收益年化超额收益最大回撤周单边换手率沪深300增强49475-1120034中证500增强71858-1170037中证1000增强841134-1370036资料来源浙商证券研究所总结无因子择时增强策略的实验结果从回撤控制和年化收益指标来看成分股等权组合的表现都优于市值加权组合在两种成分股加权方式的控制下本文所构建的指增模型有效避免了投资组合中部分个股的仓位过高导致超额收益大幅波动不同指数对应的增强组合换手率无明显差异由内部单资产择时策略决定此外本文提出的指增策略模型在熊市或指数行情下行时表现更具优势有别于市场上已经披露的指数增强产品及相关策略其对冲收益往往在2020年之前较为丰厚而在近期市场风格下收益下滑这也侧面证明了无因子择时模型对于资产的多空判断能够胜任但目前并不具备选股功能原有的择时模型有效整合到指数增强策略中也显示了单资产择时的潜在应用场景不仅限于沪深300指数中证500指数等宽基指数近年来逐渐推行的行业指数增强组合也可以使用本文中的择时增强模型httpwwwstockecomcn1012请务必阅读正文之后的免责条款部分金融工程深度4结论本文利用强化学习模型对指数成分股进行择时判断提出了一种无因子择时指数增强策略在沪深300中证500和中证1000指数应用都得到了验证在2017年至2022年中证1000增强等权组合实现了84的累积超额收益平均年化超额收益1134本文提出的指增模型不再依赖于alpha因子选股因此有效避免了因历史有效因子失效而带来的策略失效择时增强模型能及时适应市场行情下行依据对成分股的多空判断调整组合配置仓位为投资者提供了有价值的投资工具5风险提示通过模型算法构建的策略基于历史数据的统计归纳模型力求自适应跟踪市场规律和趋势但仍存失效可能须谨慎使用报告内涉及的模型超额收益等指标均限于一定测试时间和测试样本得到收益指标不代表未来httpwwwstockecomcn1112请务必阅读正文之后的免责条款部分金融工程深度股票投资评级说明以报告日后的6个月内证券相对于沪深300指数的涨跌幅为标准定义如下1买入相对于沪深300指数表现20以上2增持相对于沪深300指数表现10203中性相对于沪深300指数表现1010之间波动4减持相对于沪深300指数表现10以下行业的投资评级以报告日后的6个月内行业指数相对于沪深300指数的涨跌幅为标准定义如下1看好行业指数相对于沪深300指数表现10以上2中性行业指数相对于沪深300指数表现1010以上3看淡行业指数相对于沪深300指数表现10以下我们在此提醒您不同证券研究机构采用不同的评级术语及评级标准我们采用的是相对评级体系表示投资的相对比重建议投资者买入或者卖出证券的决定取决于个人的实际情况比如当前的持仓结构以及其他需要考虑的因素投资者不应仅仅依靠投资评级来推断结论法律声明及风险提示本报告由浙商证券股份有限公司已具备中国证监会批复的证券投资咨询业务资格经营许可证编号为Z39833000制作本报告中的信息均来源于我们认为可靠的已公开资料但浙商证券股份有限公司及其关联机构以下统称本公司对这些信息的真实性准确性及完整性不作任何保证也不保证所包含的信息和建议不发生任何变更本公司没有将变更的信息和建议向报告所有接收者进行更新的义务本报告仅供本公司的客户作参考之用本公司不会因接收人收到本报告而视其为本公司的当然客户本报告仅反映报告作者的出具日的观点和判断在任何情况下本报告中的信息或所表述的意见均不构成对任何人的投资建议投资者应当对本报告中的信息和意见进行独立评估并应同时考量各自的投资目的财务状况和特定需求对依据或者使用本报告所造成的一切后果本公司及或其关联人员均不承担任何法律责任本公司的交易人员以及其他专业人士可能会依据不同假设和标准采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和或交易观点本公司没有将此意见及建议向报告所有接收者进行更新的义务本公司的资产管理公司自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策本报告版权均归本公司所有未经本公司事先书面授权任何机构或个人不得以任何形式复制发布传播本报告的全部或部分内容经授权刊载转发本报告或者摘要的应当注明本报告发布人和发布日期并提示使用本报告的风险未经授权或未按要求刊载转发本报告的应当承担相应的法律责任本公司将保留向其追究法律责任的权利浙商证券研究所上海总部地址杨高南路729号陆家嘴世纪金融广场1号楼25层北京地址北京市东城区朝阳门北大街8号富华大厦E座4层深圳地址广东省深圳市福田区广电金融中心33层上海总部邮政编码200127上海总部电话862180108518上海总部传真862180106010浙商证券研究所httpswwwstockecomcnhttpwwwstockecomcn1212请务必阅读正文之后的免责条款部分