会议主要讨论的核心内容 - 公司采用机器学习生成因子的方法应用于大类资产配置领域 [1][2][3] - 选择了11个大类资产指数或期货作为原始输入数据 [3][4] - 对特征进行了数据预处理,包括标准化、正则化等方法 [5][6][7][8] - 尝试了多种机器学习模型,如GBDT、随机森林、DAT等,并对比分析了不同模型和预处理方法的效果 [7][8][9][10] - 最终选择了分解面MIMAX预处理特征、分解面ZSCORE预处理标签,并使用DAT模型生成配置因子 [9][10][11] - 基于生成的配置因子构建了一个自然配置策略,取得了较好的绝对和相对收益表现 [11][12] - 为进一步优化策略,引入了波动率约束,优化了资产配置权重,提升了策略的稳定性 [13][14] 问答环节重要的提问和回答 - 问:这种机器学习生成因子的方法相比传统资产配置模型有什么优势? 答:传统模型基于宏观指标给出资产配置,可能会给出比较极端的结果。而机器学习方法可以快速基于因子得分进行资产比较,并通过选择合适模型提升因子稳定性,从而提升配置结果的稳定性。[1][2] - 问:为什么选择这11个大类资产作为输入? 答:这些资产包括国内外股票、债券、商品等,可以在国内找到对应的ETF作为投资标的,构建可投资的策略。[3][4] - 问:为什么要对特征和标签进行预处理? 答:不同资产的特征值可能量纲不同,需要标准化处理才能进行有效比较。同时,特征和标签采用相同的预处理方法效果更佳。[5][6][7][8][9] - 问:为什么最终选择DAT模型? 答:相比GBDT等模型,DAT模型得到的因子IC衰减更慢,能在未来较长时间内保持较高的预测能力,有利于构建稳定的自然配置策略。[10]