国证2000成分股适合作为小市值风格增强策略的基准股票池。1）相比中证1000，国证2000更代表小盘风格：2月初平均流通市值为39.34亿，同期中证1000为62.12亿；2）国证2000策略容量更大，成分股比中证1000多一倍，且每周累计成交金额基本在中证1000和微盘股指数上方；3）国证2000更贴合“专精特新”。涵盖的专精特新股票数量更多（国证2000为297只，中证1000为142只），流通市值更低（国证2000为40.12亿，中证1000为64.53亿）。国证2000包含更多的成长、“小而精”的制造业企业。
　　小市值策略的收益来源主要是捕捉“规模溢价”效应，“规模溢价”效应在国证2000成分股内十分明显。使用规模因子对国证2000成分股分组回测，2019年以来组1到组5的超额年化收益率分别是-1.6%、-4.5%、3.5%、6.9%和12.1%，多头组超额收益较高，但并非完全单调。我们认为可以结合机器学习因子来增强国证2000小市值投资策略的稳定性。
　　我们测试机器学习模型在国证2000指数内增强的效果，机器学习残差因子、反转因子和复合因子分组回测都具有稳健的单调性。多头组超额年化收益分别为9%，10.5%和10.8%。对复合因子收益归因分析，风格贡献2.88%，行业贡献0.77%，其余7.22%为特质选股能力贡献。
　　我们将机器学习复合因子与规模因子合成为新的选股因子，构建国证2000增强策略。机器学习超额收益能力并未能打败小市值策略，我们希望国证2000增强策略既暴露于小市值风格，还具有更稳定的收益单调性。因此，我们将机器学习复合因子与规模因子合成为新的选股因子。合成因子多头组的超额年化收益率为15.4%。其中风格贡献5.52%，行业贡献1.2%，其余8.69%均为因子特质选股能力贡献。国证2000增强策略更多的暴露于风格和行业，特质选股收益也大幅提高。
　　国证2000增强策略的资金容量在100亿左右。分别使用初始5亿、10亿、20亿、50亿、100亿和200亿资金规模回测，超额年化收益率分别是14.6%、14.3%、14%、13.5%、12.8%和10.7%。
　　风险提示：市场风格切换风险，市场波动风险，模型失效风险

研究报告全文：TableMain证券研究报告金融工程专题深度报告2023年03月07日金融工程专题大容量国证2000增强策略金融工程专题德邦金工小市值专题之三证券分析师肖承志TableSummary投资要点资格编号S0120521080003邮箱xiaoczteboncomcn国证2000成分股适合作为小市值风格增强策略的基准股票池1相比中证1000国证2000更代表小盘风格2月初平均流通市值为3934亿同期中证1000为研究助理6212亿2国证2000策略容量更大成分股比中证1000多一倍且每周累计成交金额基本在中证1000和微盘股指数上方3国证2000更贴合专精特新相关研究涵盖的专精特新股票数量更多国证2000为297只中证1000为142只流1进击的小巨人德邦金通市值更低国证2000为4012亿中证1000为6453亿国证2000包含更工2022年度策略报告多的成长小而精的制造业企业20211213小市值策略的收益来源主要是捕捉规模溢价效应规模溢价效应在国证2000小市值策略初探德邦金工2成分股内十分明显使用规模因子对国证2000成分股分组回测2019年以来组小市值专题之一202204201到组5的超额年化收益率分别是-16-453569和121多头组3小市值增强策略德邦证券超额收益较高但并非完全单调我们认为可以结合机器学习因子来增强国证2000德邦金工小市值专题之二小市值投资策略的稳定性20220623我们测试机器学习模型在国证2000指数内增强的效果机器学习残差因子反转4脱缰的小巨人德邦金因子和复合因子分组回测都具有稳健的单调性多头组超额年化收益分别为9工2022中期策略报告105和108对复合因子收益归因分析风格贡献288行业贡献07720220908其余722为特质选股能力贡献我们将机器学习复合因子与规模因子合成为新的选股因子构建国证2000增强策略机器学习超额收益能力并未能打败小市值策略我们希望国证2000增强策略既暴露于小市值风格还具有更稳定的收益单调性因此我们将机器学习复合因子与规模因子合成为新的选股因子合成因子多头组的超额年化收益率为154其中风格贡献552行业贡献12其余869均为因子特质选股能力贡献国证2000增强策略更多的暴露于风格和行业特质选股收益也大幅提高国证2000增强策略的资金容量在100亿左右分别使用初始5亿10亿20亿50亿100亿和200亿资金规模回测超额年化收益率分别是14614314135128和107风险提示市场风格切换风险市场波动风险模型失效风险请务必阅读正文之后的信息披露和法律声明金融工程专题内容目录1国证2000411更代表小盘风格412更大的策略容量413更典型的专精特新52国证2000成分股因子有效性分析621BarraCNE510因子表现722规模因子表现国证2000小市值策略73机器学习模型931计算特质收益率932挖掘财务因子933机器学习残差因子1034机器学习反转因子1035机器学习复合因子114国证2000机器学习策略表现1141国证2000机器学习15因子残差策略1142国证2000机器学习15因子反转策略1343国证2000机器学习15因子复合策略1444国证2000增强策略合成因子机器学习复合因子规模因子1645策略容量测试195总结206风险提示21信息披露22222请务必阅读正文之后的信息披露和法律声明金融工程专题图表目录图1国证2000和中证1000成分股的平均流通市值情况4图23种指数的每周累计成交额5图3专精特新行业成分占比5图4国证2000行业成分占比5图5中证1000行业占比6图6国证2000在专精特新中成分股个数更高6图7国证2000在专精特新中流通市值相对更低6图8规模因子在国证2000股票池的分组回测净值8图9机器学习残差因子在国证2000成分股内的分组回测净值12图10机器学习反转因子在国证2000成分股内的分组回测净值13图11机器学习复合因子在国证2000成分股内的分组回测净值14图12机器学习复合因子多头组超额收益归因净值曲线16图13合成因子机器学习复合因子规模因子在国证2000成分股内的分组回测净值17图14合成因子多头组超额收益归因净值曲线19图15合成因子机器学习复合因子规模因子策略容量测试净值19表1BarraCNE5风格因子表现7表2规模因子在国证2000股票池的分组回测结果统计8表3机器学习模型使用到财务因子10表4机器学习残差因子在国证2000成分股内的分组回测结果统计12表5机器学习反转因子在国证2000成分股内的分组回测结果统计13表6机器学习复合因子在国证2000成分股内的分组回测结果统计15表7机器学习复合因子的因子平均主动暴露及年化超额收益率贡献15表8机器学习复合因子的行业平均主动暴露及年化超额收益率贡献15表9合成因子机器学习复合因子规模因子在国证2000成分股内的分组回测结果统计17表10合成因子的因子平均主动暴露及年化超额收益率贡献18表11合成因子的行业平均主动暴露及年化超额收益率贡献18表12合成因子机器学习复合因子规模因子策略容量测试结果统计20322请务必阅读正文之后的信息披露和法律声明金融工程专题1国证2000国证2000指数399303SZ由国证公司编制是为反映A股市场小盘股票的价格变动趋势按照市值和成交金额在市场中所占比例的综合排名选取排名在1001及3000的股票构成的指数即在扣除国证1000指数样本股后选取市值和成交金额在市场中所占比例排名靠前的2000只股票作为成分股国证2000指数具有典型的小盘风格11更代表小盘风格国证2000指数成分股的流通市值相对更小更能代表小盘股如图12023年2月初国证2000成分股的平均流通市值是3934亿同期中证1000平均6212亿图1国证2000和中证1000成分股的平均流通市值情况8000亿7000亿6000亿5000亿4000亿3000亿2000亿1000亿000亿2015-012015-042015-072015-102016-012016-042016-072016-102017-012017-042017-072017-102018-012018-042018-072018-102019-012019-042019-072019-102020-012020-042020-072020-102021-012021-042021-072021-102022-012022-042022-072022-102023-01国证2000中证1000资料来源Wind德邦研究所注数据范围是2015年1月至2023年2月每月月初统计12更大的策略容量国证2000拥有更大的策略容量国证2000的2000只成分股比中证1000多一倍且每周累计成交金额基本在中证1000和微盘股指数上方如图22023年2月20日至2月24日国证2000指数的成交金额为1389144亿中证1000指数为900209亿万得微盘股指数8841431WI为72191亿422请务必阅读正文之后的信息披露和法律声明金融工程专题图23种指数的每周累计成交额30万亿25万亿20万亿15万亿10万亿05万亿00万亿2016060320191213201501092015040320150626201509182015121120160311201608262016112520170217201705122017080420171103201801262018042020180713201810122019010420190404201906282019092020200313202006052020082820201120202102102021050720210730202110222022011420220415202207082022093020221230国证2000万得微盘股指数中证1000资料来源Wind德邦研究所注数据范围是2015年1月至2023年2月24日13更典型的专精特新如图3图4和图5我们统计了2023年2月27日专精特新小巨人指数8841451WI国证2000指数中证1000指数的中信一级行业成分股占比情况图3专精特新行业成分占比图4国证2000行业成分占比基础化工990机械2574机械985电子1472医药980电子795基础化工1396电力设备及新能源725医药1012计算机715汽车电力设备及新能源704510电力及公用事业410计算机627传媒310国防军工538建筑295轻工制造295汽车397有色金属295有色金属269通信270通信256房地产265食品饮料260电力及公用事业205商贸零售230家电115农林牧渔230钢铁090建材225国防军工215轻工制造090交通运输200建材077家电175纺织服装纺织服装051125钢铁115建筑038消费者服务100石油石化026煤炭080石油石化080农林牧渔026综合050综合026银行035商贸零售013综合金融020非银行金融020资料来源Wind德邦研究所资料来源Wind德邦研究所注统计时间是2023年2月27日注统计时间是2023年2月27日522请务必阅读正文之后的信息披露和法律声明金融工程专题图5中证1000行业占比医药1300基础化工940电子880机械820电力设备及新能源700计算机650电力及公用事业470有色金属420汽车390国防军工320传媒310食品饮料300建筑260房地产250轻工制造240通信240交通运输200商贸零售200农林牧渔200建材180煤炭130钢铁100家电100非银行金融080纺织服装080银行070石油石化050综合050综合金融040消费者服务030资料来源Wind德邦研究所注统计时间是2023年2月27日相比于中证1000国证2000在机械电子基础化工行业成分股占比分布更靠近专精特新小巨人指数图6和图7展示了中证1000和国证2000指数成分股和专精特新小巨人指数成分股的交集股票数量及其平均流通市值情况国证2000涵盖的专精特新股票数量更多一些流通市值也更低一些相比中证1000国证2000更能代表成长小而精的制造业企业图6国证2000在专精特新中成分股个数更高图7国证2000在专精特新中流通市值相对更低180017037000亿6453亿6174亿16006000亿14005000亿1200亿3935亿401210004000亿858其他其他800专精特新3000亿专精特新6002000亿400297142亿20010000000亿国证2000中证1000国证2000中证1000资料来源Wind德邦研究所资料来源Wind德邦研究所注统计时间是2023年2月27日注统计时间是2023年2月27日2国证2000成分股因子有效性分析本文致力于挖掘更偏小盘风格稳定的国证2000增强策略因此在因子有622请务必阅读正文之后的信息披露和法律声明金融工程专题效性分析章节我们在21节中统计主要的风格因子在国证2000中证1000和中证800中3个指数股票池的显著情况比较各类风格因子显著性差异之后在22节使用规模因子对国证2000股票池分组回测观察规模因子的单调性表现确定小市值风格国证2000增强策略的基准表现21BarraCNE510因子表现我们回顾BarraCNE5的10个风格因子2015年以来在国证2000中证1000和中证800指数成分股内因子RankMeanIC和ICIR表现如表11国证2000成分股内对数市值动量残差波动率非线性市值账面市值比流动性风格因子的显著性更高2中证800成分股内beta因子和盈利因子的显著性更高3中证1000成分股内因子有效性基本介于国证2000和中证800成分股之间国证2000偏小盘中证800偏大盘的特点与国证2000技术面因子更有效中证800基本面类因子更有效的逻辑是一致的表1BarraCNE5风格因子表现国证2000中证1000中证800ICICIRICICIRICICIR对数市值-0061-0440-0053-0367-0004-0022贝塔-0009-0053-0012-0069-0032-0139动量-0038-0289-0022-014200060030残差波动率-0055-0514-0043-0358-0020-0184非线性市值-0059-0431-0041-032500010007账面市值比005903810051029200240109流动性-0099-0650-0095-0627-0068-0396盈利002802320026017200340180成长-0003-0072-0003-006900030049杠杆0004003400020019-0004-0025资料来源Wind德邦研究所注数据范围是2015年1月至2023年2月22规模因子表现国证2000小市值策略小市值策略的核心收益来源是捕捉规模溢价效应的收益我们在小市值专题一中阐明了小市值策略的投资逻辑规模溢价投资者结构和卖空显著壳价值我们分5组回测规模因子自2019年以来在国证2000成分股的单调性表现如图8和表2本文的选股和交易规则如下1剔除北交所停牌和涨停股票2剔除上市不满120个交易日的股票3基准是国证2000指数399303SZ722请务必阅读正文之后的信息披露和法律声明金融工程专题4月度调仓每月月初调仓5交易费用双边千三对国证2000成分股符合上述条件后按因子值分5组平均每期每组入选股票数量约390只图8规模因子在国证2000股票池的分组回测净值资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月我们发现规模因子的在国证2000成分股内并非完全单调组1到组5的超额年化收益率分别是-16-453569和121组2比组1的年化超额更低国证2000小市值策略组5的超额年化达到了121虽然规模因子的多头组超额收益较高但由于组1到组5超额收益单调性不够明显我们认为可以结合其他因子来增强国证2000小市值投资策略的稳定性表2规模因子在国证2000股票池的分组回测结果统计组1组2组3组4组5策略年化收益率12192172206258基准年化收益率137137137137137超额年化收益率-16-453569121策略年化波动率249235233233238基准年化波动率239239239239239超额年化波动率4641546583策略夏普比率rf20406030406507990998基准夏普比率rf2049049049049049信息比率-0342-1096063910721447822请务必阅读正文之后的信息披露和法律声明金融工程专题月胜率540360560620620策略最大回撤367317279277282策略最大回撤起始2021091520220104202201172022011720220117策略最大回撤终止2022042620220426202204262022042620220428基准最大回撤319319319319319基准最大回撤起始2022010420220104202201042022010420220104基准最大回撤终止2022042620220426202204262022042620220426超额最大回撤1171937589110超额最大回撤起始2021091520190624202103242020113020201130超额最大回撤终止2022122320220831202110272021091520210113策略卡玛比率0330289061407450912基准卡玛比率043043043043043超额卡玛比率-0135-023604607841092资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月3机器学习模型我们在过往发布了5篇机器学习专题报告发布了3个有效因子分别是机器学习残差因子机器学习反转因子和机器学习复合因子本章我们重温这3个因子的构建方式并在下章统计3个因子在国证2000成分股内选股能力31计算特质收益率本文使用基于财务与风格因子的机器学习选股德邦金工机器学习专题之三的方法基于财务因子和风格因子构造一个风格中性的选股因子该因子在各个横截面上与各个CNE5风格因子都线性无关基于该因子构造的投资组合的风格暴露很低但我们允许投资组合在财务因子上有暴露首先计算股票特质收益率将本期的股票回报记为把上一期的风格因子记为用CNE5风格因子WLS回归股票收益率1其中为风格因子的拟合系数为股票的特质收益率32挖掘财务因子对于任意一个财务因子若上一期该财务因子值为则按以下公式计算财务因子的变化率x2由于上一期财务因子值例如总利润有可能为负故对2中分母取绝对值以反映财务因子的真实变化方向选择了以下5个财务因子922请务必阅读正文之后的信息披露和法律声明金融工程专题表3机器学习模型使用到财务因子因子信息来源季度ROE利润表资产负债表季度营业成本的同比增速利润表季度总营业成本的同比增速利润表季度研发投入的同比增速利润表季度营业利润的同比增速利润表资料来源德邦研究所整理为了避免财务因子极端值对模型的不利影响对每一个财务因子在每一个横截面上我们采用中位数去极值的方法去除极端值3其中是任意一个财务因子的值是因子值在横截面上的中位数D是序列xxm的中位数n是一个参数通常可以取3而为去极值后的结果33机器学习残差因子我们的目的是构造一个不暴露风格但力求赚取特质收益率的投资组合我们把风格因子和其他因子作为机器学习模型的输入拟合特质收益率即GXTT4其中G为机器学习函数而是机器学习模型的拟合残差使用到的机器学习模型包括2个具有不同神经元个数的神经网络模型3个具有不同树数目的随机森林模型和3个具有不同深度的提升树模型对每一类机器学习模型计算子模型预测的代数平均值再得到三类集成模型的输出将三类集成模型的输出做z-score标准化后计算其平均值得到总集成输出值这么做的好处是尽可能让不同的模型拟合不同的噪音并在总集成输出中尽可能降低噪音接下来将机器学习模型作用于最近一期的风格和财务因子上得到机器学习因子GT即GXT5其中T日为调仓日的前一日和XT分别是对应的风格和财务因子值T日的因子在T日盘后可得故只能被用在T1日进行调仓将GT对风格因子取正交化处理得到机器学习残差因子G对全市场而言因子G是风格中性的却可以暴露于财务因子的特定方向34机器学习反转因子1022请务必阅读正文之后的信息披露和法律声明金融工程专题我们再来分析上一节的式4其中的GXTT项是机器学习模型对在T日已知的特质收益率的拟合值这个拟合值通常不等于该特质收益率在调节模型参数和超参数阶段如果模型复杂度过高则模型虽然在样本内表现良好但在样本外表现很差产生过拟合问题因此拟合残差通常是显著不为零的实际上蕴含了丰富的信息我们可以将GXTT理解为模型意义下公允的TT日至T日的股票收益率那么余下的部分是不能被模型解释的部分在理想情况下如果模型对收益率的预测是完全正确的则是纯粹的错误定价倾向于在未来发生反转实际情况下模型对收益率具有一定的解释力度但由于信息或模型的非完备性而无法完全解释故既包含模型不能解释的部分也包含错误定价的成分其中前者的方向不确定后者倾向于在未来反转因此也应该具有选股能力且暴露于较小的是有益的同样地我们不希望组合具有风格偏好故将的相反数对风格因子做正交化处理6其中为根据OLS拟合得到的风格因子的系数而是拟合残差我们把它称为机器学习反转因子35机器学习复合因子对残差因子和反转因子等权复合后得到机器学习复合因子在每个横截面上我们将机器学习残差因子和机器学习反转因子分别做z-score处理并相加以计算复合残差因子即7其中和的含义同上文而G和分别为横截面上机器学习残差因子的均值和标准差和分别为横截面上机器学习反转因子的均值和标准差4国证2000机器学习策略表现41国证2000机器学习15因子残差策略国证2000机器学习15因子残差策略分组回测表现如图9和表41122请务必阅读正文之后的信息披露和法律声明金融工程专题图9机器学习残差因子在国证2000成分股内的分组回测净值资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月机器学习残差因子分组回测具有稳健的单调性和较好的分组能力但多头组超额年化收益只有9并不能打败只使用规模因子选股表4机器学习残差因子在国证2000成分股内的分组回测结果统计组1组2组3组4组5策略年化收益率58157166206227基准年化收益率137137137137137超额年化收益率-7920296990策略年化波动率239233229233242基准年化波动率239239239239239超额年化波动率5557534542策略夏普比率rf2015805860635080852基准夏普比率rf2049049049049049信息比率-14480343054615322155月胜率420500520600720策略最大回撤330299301278292策略最大回撤起始2022010420220117202201172022010420220117策略最大回撤终止2022042620220426202204262022042620220426基准最大回撤319319319319319基准最大回撤起始2022010420220104202201042022010420220104基准最大回撤终止2022042620220426202204262022042620220426超额最大回撤3001278246411222请务必阅读正文之后的信息披露和法律声明金融工程专题超额最大回撤起始2019061920190624202011302020032720220826超额最大回撤终止2022083120210915202109152020071020220831策略卡玛比率01750523055207430775基准卡玛比率043043043043043超额卡玛比率-0264015303521512193资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月42国证2000机器学习15因子反转策略国证2000机器学习15因子反转策略分组回测表现如图10和表5图10机器学习反转因子在国证2000成分股内的分组回测净值资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月机器学习反转因子分组回测具有稳健的单调性和较好的分组能力多头组超额年化收益为105比残差因子效果更好但仍不能打败规模因子表5机器学习反转因子在国证2000成分股内的分组回测结果统计组1组2组3组4组5策略年化收益率13148191194242基准年化收益率137137137137137超额年化收益率-124115457105策略年化波动率243233230232239基准年化波动率239239239239239超额年化波动率5055534648策略夏普比率rf2-003055207440752093基准夏普比率rf20490490490490491322请务必阅读正文之后的信息披露和法律声明金融工程专题信息比率-24650206102612612192月胜率300540600640680策略最大回撤384302299298269策略最大回撤起始2019041920220117202201172022011720220117策略最大回撤终止2022042620220426202204262022042620220426基准最大回撤319319319319319基准最大回撤起始2022010420220104202201042022010420220104基准最大回撤终止2022042620220426202204262022042620220426超额最大回撤386113684757超额最大回撤起始2019010220190717202011182020121020210419超额最大回撤终止2022083120210915202110272021011320210915策略卡玛比率0033049106406540902基准卡玛比率043043043043043超额卡玛比率-0322010107971213186资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月43国证2000机器学习15因子复合策略国证2000机器学习15因子复合策略分组回测表现如图11和表6图11机器学习复合因子在国证2000成分股内的分组回测净值资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月机器学习复合因子分组回测具有稳健的单调性和较好的分组能力多头组超额年化收益为108比残差因子和反转因子效果更好但仍不能打败规模因子可见小市值风格强劲规模溢价效应在国证2000成分股内十分明显1422请务必阅读正文之后的信息披露和法律声明金融工程专题表6机器学习复合因子在国证2000成分股内的分组回测结果统计组1组2组3组4组5策略年化收益率25153182202245基准年化收益率137137137137137超额年化收益率-112164565108策略年化波动率241233229233240基准年化波动率239239239239239超额年化波动率5355524544策略夏普比率rf200220571070807830936基准夏普比率rf2049049049049049信息比率-2113029208811441243月胜率380540580660720策略最大回撤370298304289275策略最大回撤起始2019041920220117202201172022011720220104策略最大回撤终止2022042620220426202204262022042620220426基准最大回撤319319319319319基准最大回撤起始2022010420220104202201042022010420220104基准最大回撤终止2022042620220426202204262022042620220426超额最大回撤360142594339超额最大回撤起始2019010220190624202011302020112320211014超额最大回撤终止2022083120210914202110272021011320211109策略卡玛比率00680514059907010892基准卡玛比率043043043043043超额卡玛比率-031011407671526277资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月对表现最好的机器学习复合因子多头策略的收益归因进行拆解基准是国证2000指数分别拆解为因子暴露收益BarraCNE510因子行业暴露收益中信一级行业和因子特质收益如表7表8和图12表7机器学习复合因子的因子平均主动暴露及年化超额收益率贡献因子主动暴露主动回报因子主动暴露主动回报对数市值-01239088账面市值比-00467028贝塔-00176-016流动性00534-045动量00218045盈利00265-001残差波动率-01546117成长-00365-002非线性市值-01540039杠杆-00337036合计288资料来源Wind德邦研究所机器学习复合因子主要暴露于对数市值规模风格和残差波动率波动风格表8机器学习复合因子的行业平均主动暴露及年化超额收益率贡献行业平均暴露年化收益率行业平均暴露年化收益率交通运输-041000煤炭034021传媒017004电力及公用事业-061012农林牧渔-026004电力设备及新能源-039-012医药-028-007电子-054-028商贸零售-009008石油石化019000国防军工-073-003纺织服装057-0041522请务必阅读正文之后的信息披露和法律声明金融工程专题基础化工125000综合-001-001家电039003综合金融-012002建材022008计算机-096014建筑-012005轻工制造016002房地产016007通信050008有色金属-048006钢铁014001机械167000银行-002000汽车-044003非银行金融004001消费者服务013009食品饮料-044002合计066资料来源Wind德邦研究所机器学习复合因子主要暴露于机械基础化工国防军工行业机器学习复合因子策略组合在行业上相对于基准基本是中性的图12机器学习复合因子多头组超额收益归因净值曲线资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月机器学习复合因子策略在国证2000股票池中多头组的超额年化收益率为1076其中风格贡献288行业贡献077其余722均为因子特质选股能力贡献44国证2000增强策略合成因子机器学习复合因子规模因子我们使用机器学习因子来增强仅使用规模因子国证2000小市值策略的选股能力构建最终的国证2000增强策略具体方法是我们选取机器学习复合因子与规模因子在每期国证2000成分股横截面内Rank排序后等权合成为新的合成因子新的合成因子既继承了机器学习因子优秀稳定的分层选股能力也更主动暴露于小市值风格做到了机器学习量化相对的风格中性和行业中性与小市值风格融合后的增强国证2000增强策略分组回测表现如图13和表91622请务必阅读正文之后的信息披露和法律声明金融工程专题图13合成因子机器学习复合因子规模因子在国证2000成分股内的分组回测净值资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月合成因子选股效果比单一的规模因子或机器学习复合因子效果更好组1到组5的超额年化收益率单调性更加明显国证2000成分股中合成因子策略的多头组的超额年化收益率为154表9合成因子机器学习复合因子规模因子在国证2000成分股内的分组回测结果统计组1组2组3组4组5策略年化收益率17114178204291基准年化收益率137137137137137超额年化收益率-120-234167154策略年化波动率247233231230239基准年化波动率239239239239239超额年化波动率4042476073策略夏普比率rf2-00140401068308011135基准夏普比率rf2049049049049049信息比率-3021-0559086611222114月胜率180520580580640策略最大回撤390304296283268策略最大回撤起始2019041920220104202201042022011720220117策略最大回撤终止2022042620220426202204262022042620220426基准最大回撤319319319319319基准最大回撤起始2022010420220104202201042022010420220104基准最大回撤终止2022042620220426202204262022042620220426超额最大回撤37713173104791722请务必阅读正文之后的信息披露和法律声明金融工程专题超额最大回撤起始2019042320190125202104162020111820201130超额最大回撤终止2023021720220831202109152021091520210113策略卡玛比率00430373060107221086基准卡玛比率043043043043043超额卡玛比率-0319-0179055906461948资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月对表现最好的机器学习复合因子多头策略的收益归因进行拆解基准是国证2000指数分别拆解为因子暴露收益BarraCNE510因子行业暴露收益中信一级行业和因子特质收益如表10表11和图14表10合成因子的因子平均主动暴露及年化超额收益率贡献因子主动暴露主动回报因子主动暴露主动回报对数市值-06003216账面市值比00080027贝塔-01461-090流动性-00774117动量-05203-232盈利-00612011残差波动率-03351247成长-01877-006非线性市值-09691246杠杆-01295015合计552资料来源Wind德邦研究所相比机器学习复合因子合成因子的超额收益来源更多的是暴露于风格因子表11合成因子的行业平均主动暴露及年化超额收益率贡献行业平均暴露年化收益率行业平均暴露年化收益率交通运输-011001煤炭-039-001传媒018016电力及公用事业-026020农林牧渔-081009电力设备及新能源025009医药-270002电子-170-028商贸零售014007石油石化002004国防军工-167-016纺织服装141-005基础化工-022-002综合-006002家电104004综合金融-007002建材-040-001计算机-145019建筑074-006轻工制造227-009房地产-006018通信-036015有色金属-108009钢铁-029003机械364013银行-012001汽车187022非银行金融005001消费者服务052007食品饮料-036001合计120资料来源Wind德邦研究所相比机器学习复合因子合成因子更多的暴露于机械医药国防军工轻工纺织服装电子等行业1822请务必阅读正文之后的信息披露和法律声明金融工程专题图14合成因子多头组超额收益归因净值曲线资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月国证2000增强策略多头组的超额年化收益率为1541其中风格贡献552行业贡献12其余869均为因子特质选股能力贡献3大收益归因均较机器学习复合因子有所提高45策略容量测试我们测试国证2000增强策略机器学习复合因子规模因子的策略容量单只股票最大买入卖出金额占比设置为当日成交量的5分别回测了5亿10亿20亿50亿100亿和200亿资金规模下策略的表现情况如图15和表12所示图15合成因子机器学习复合因子规模因子策略容量测试净值29241914092019-012019-072020-012020-072021-012021-072022-012022-072023-015亿10亿20亿50亿100亿200亿国证2000资料来源Wind德邦研究所注数据范围是2019年1月至2023年2月5亿10亿20亿50亿100亿和200亿资金规模下的国证2000合成因1922请务必阅读正文之后的信息披露和法律声明金融工程专题子增强策略的超额年化收益率分别是14614314135128和107我们认为国证2000增强策略的容量可以维持在100亿左右表12合成因子机器学习复合因子规模因子策略容量测试结果统计5亿10亿20亿50亿100亿200亿策略年化收益率283280277272265244基准年化收益率137137137137137137超额年化收益率146143140135128107策略年化波动率238237236233227217基准年化波动率239239239239239239超额年化波动率727373737273策略夏普比率rf211061096108910810771033基准夏普比率rf2049049049049049049信息比率201819761932185617631453月胜率660660640680640620策略最大回撤267265261253243224策略最大回撤起始202201172022011720220117202201172022011720220117策略最大回撤终止202204262022042620220426202204262022042620220426基准最大回撤319319319319319319基准最大回撤起始202201042022010420220104202201042022010420220104基准最大回撤终止202204262022042620220426202204262022042620220426超额最大回撤8384817675110超额最大回撤起始202011302020113020201130202012032019010320190103超额最大回撤终止202101132021011320210113202101132019030820190322策略卡玛比率10591057106110751091086基准卡玛比率043043043043043043超额卡玛比率17511714174117861702097资料来源德邦研究所5总结国证2000成分股适合作为小市值风格增强策略的基准股票池相比中证1000国证2000更代表小盘风格2023年2月初国证2000的平均流通市值为3934亿同期中证1000为6212亿国证2000策略容量更大成分股比中证1000多一倍且每周累计成交金额均在中证1000和微盘股指数上方国证2000更贴合专精特新涵盖的专精特新股票数量更多国证2000为297只中证1000为142只流通市值更低国证2000为4012亿中证1000为6253亿相比中证1000国证2000更能代表成长小而精的制造业企业因子显著性统计显示国证2000成分股内对数市值动量残差波动率非线性市值账面市值比流动性风格因子的显著性更高中证800成分股内beta因子盈利因子的显著性更高国证2000偏小盘中证800偏大盘的特点与国证2000技术面因子更有效中证800基本面类因子更有效的逻辑是一致的规模溢价效应在国证2000成分股内十分明显使用规模因子对国证2000成分股分组回测2019年以来组1到组5的超额年化收益率分别是-16-453569和121多头组超额收益较高但并非完全单调我们认为可以结2022请务必阅读正文之后的信息披露和法律声明