如何利用机器学习赋能红利高股息投资.pdf

如何利用机器学习赋能红利高股息投资。本文以机器学习算法为基础，在不同红利高股息投资场景下，应用不同类别的 机器学习模型赋能红利高股息投资。应用一：利用基于决策树的机器学习模型 选取不同风格红利指数；应用二：针对现有红利投资的传统因子，利用强化学 习算法深入挖掘不同因子的时序表现，对不同因子进行动态复权。

机器学习应用一：红利主题指数配置。 本文选取包括中证红利指数在内共计 12 个红利主题指数作为红利指数配置标 的，采用 DART增强方式的 LightGBM 算法作为红利主题资产配置模型，构建 红利主题指数因子。经回测，红利主题指数因子自 2021 年 1 月至 2024 年 6 月 RankIC 为 17.11%，RankIC 胜率为 63.41%，多头组合（Top3）年化收益 15.39%，相对等权组合（7.33%）年化超额 8.06%。剔除无跟踪 ETF产品指 数后，红利主题指数因子 RankIC 为 18.92%，RankIC 胜率 63.41%，多头组 合（Top3）年化收益14.09%，相对等权组合年化超额 6.76%。

机器学习应用二：选股因子动态复权。 泛高股息指数：定义 “基本+分红”筛选条件，按照月频（每月最后一个交易 日收盘）调仓，以股息率加权构建泛高股息指数。截至 2024 年 6 月 30 日， 泛高股息股票池中共有 1619只股票。自 2013年 4月 30日至 2024年 6月 30 日，泛高股息指数年化收益率 11.05%，整体来看相对跑输中证红利全收益指 数，跑赢万得全 A。行业配置方面，泛高股息指数配置比例较高的分别为医药、 机械、基础化工、电新行业，占比分别为 9.97%、9.14%、8.94%、6.91%。 泛高股息选股因子探究：本节分别测试了量价、质量、盈利、估值、成长五大 类因子共计 30个小类因子，综合考虑 IC及多头组合表现，每大类保留 2个因 子。除此之外，本文综合考虑单只股票股息率时序变化以及股息率变化在股票 价格上的兑现情况，构建股息兑现因子。上述六大类因子股息兑现、量价、质 量、盈利、估值、成长自 2013年 4月至 2024年 6月 IC 分别为 4.94%、7.63%、 2.33%、5.19%、1.58%以及 2.42%，等权合成后因子 IC为 7.60%，多头组合 年化收益率 17.68%。 强化学习 DQN动态因子复权：本节采取 DQN算法构建相应的因子轮动策略。 以 t-1 期因子表现为当前状态，以 t 期动态复权因子为奖励。在最大化累计奖 励的基础上构建 DQN因子（动态复权因子）。经测试，自 2021 年 1月 31日 至 2024年 6月 30日，DQN因子 IC 为 9.55%，多头年化收益率 17.58%，相 对中证红利全收益指数年化超额收益率 5.93%，多头组合信息比率 0.90，表 现均优于等权因子。