量化策略研究：DFQ机器学习行业轮动模型.pdf

量化策略研究：DFQ机器学习行业轮动模型。以基本面为主的行业轮动策略表现不佳： DFQ工业类行业轮动体系基于38个证监会 二级行业构建，转化为中信一级行业后会损失较多信息。2020年以来top5行业组合 年化超额仅为3.33%。

行业动量轮动策略近两年表现不佳：DFQ行业动量轮动策略2020年以来top5行业组 合年化超额仅为3.68%，2023和2024年均未获正超额。

用机器学习选股因子合成行业因子

将机器学习模型训练出的选股因子，按个股市值加权，合成为行业因子，进行行业轮 动。vae、xgb模型的多头端top5行业组合整体表现较好，2020年以来top5行业组合 年化超额收益可达10%以上。但由于模型的选行业能力只是选股的副产品，行业轮动 因子是否有效很大程度上取决于运气，使用起来不够稳健。

DFQ遗传规划行业因子挖掘系统介绍

前期我们开发出了一套高效的DFQ遗传规划因子挖掘系统。模型主要有7点改进：提 升初始种群质量，提升每代种群质量，提升每代产生的有效公式数量，避免公式膨 胀，动态调整每代进化参数，降低挖掘因子的相关性，避免无效运算。

将DFQ遗传规划因子挖掘系统，迁移到行业上，挖掘行业因子。采用中信一级行业作 为轮动标的。挖掘月频因子。采用滚动挖掘方式，每隔一年重新挖掘。训练集采用滑 动窗口的方式，长度固定10年，每次向后挪一年。共设计145个特征，140个算子。 使用20个路径下多头（top5）行业组合的月均超额收益的最小值作为适应度。