金融工程深度研究：以空间换时间，多目标基本面选股因子挖掘框架.pdf

金融工程深度研究：以空间换时间，多目标基本面选股因子挖掘框架。

人工智能 95：构建多目标遗传算法，挖掘基本面选股因子

经过前期报告对因子计算和评价过程的 GPU 加速、对因子评价维度的扩充 和对种群多样性的提升后，我们团队的因子挖掘框架相较传统的单目标遗传 规划已经“脱胎换骨”。本文将其应用于基本面选股因子挖掘，获得了分组 单调性较好、|IC|胜率较高、多头组表现亮眼的因子。尤其是在全成分内中 证 1000 指增上，基本面合成因子的扣费后年化超额收益高达 32.5%。其令 人惊喜的表现说明中证 1000 成分股的基本面信息依然具有丰富的 α。基本 面合成因子和“舆情分诊台”量价因子的长期相关性仅为 0.07。

将基本面因子的表达式参数化，使用多目标遗传算法开展优化

为了提升基本面因子的可解释性，我们用 11 个参数来约束因子表达式的格 式，而不再用树状结构来表达因子。相应地，因子挖掘框架从遗传规划退变 为通用的遗传算法，可以不再依赖 deap 等包执行。为了提升因子种群多样 性，进而提升因子种群对抗过拟合的性能，我们同时引入三维因子评价指标 ——|IC|评价因子分组单调性，|IC|胜率评价因子时序稳定性，NDCG@k 评 价因子多头组表现。NSGA-II 算法能在不对三者加权的前提下，对因子进行 优劣排序和选取。为了能够在相对“廉价”的硬件上高效完成因子挖掘，我 们还做了内存和显存管理，实现了“以空间换时间”的效果。

对基本面指标开展较精细的预处理，得到 71 个指标作为因子挖掘输入

因子挖掘输入指标涵盖市场表现、分析师一致预期、三大财务报表科目。大 部分财报指标有当季值(MRQ)和滚动四个季度之和(TTM)两种呈现方式。考 虑到传统价值因子存在分子分母错配问题，我们引入企业价值指标，将其作 为价值因子分母的备选；考虑到业绩预告或业绩快报的信息更及时，我们将 其和正式财报中的相关指标融合；考虑到出于会计谨慎性而费用化的研发支 出在未来可能会给企业带来丰厚的回报，我们将研发费用加回利润总额类科 目；考虑到一致预期指标在年报发布前后会出现数值和含义的双重跳变，我 们对其进行了重构；我们根据预测机构评级，计算了个股综合评级得分。

基本面合成因子分组单调性较好、|IC|胜率较高、多头组表现亮眼

每季度末重新挖掘因子，结合贪心策略和共线性排除，选取验证集上表现最 好的一批因子，合成最终的基本面选股因子。取回测区间为 2019-12-31 至 2025-07-31，开展双周频调仓。在沪深 300、中证 500、中证 1000 共 1800 只成分股的十分组测试中，合成因子多头组表现相较其余九组较为亮眼，脱 离了空头 α“陷阱”。在全成分内指数增强测试中，沪深 300、中证 500 和 中证 1000 指增在考虑双边 3‰的手续费后，分别取得了 10.1%、13.6%和 32.5%的年化超额收益。长期来看，合成因子偏好高盈利、强反转、大市值 和低换手的成分股，比较符合价值投资的理念。