使用ThompsonSampling算法的策略混合模型.pdf

金 权益专题报告 融 使用Thompson Sampling 算法的策略混合模型 工 ——多因子模型研究系列之六 程 分析师：宋旸 SAC NO：S1150517100002 2018 年12 月28 日 研 证券分析师 宋旸 核心观点： 究 022  本篇报告中，我们介绍了Thompson Sampling 算法，并将其应用于 改进的多因子模型。Thompson Sampling 算法是在线学习算法的一种， songyang@ 2017 年年末，市值因子失效，导致大多数传统多因子模型回撤。我们 想要尝试使用在线学习算法，构建可以适应这种风格转变的多因子模型 证  针对沪深300 和中证500 成分股，选取估值、盈利、成长、动量、反转、 相关研究报告 波动率、流动性、市值八大类因子建立多因子模型。使用传统多因子模型 券 估计投资组合的未来收益，使用分层抽样方法剔除了行业的影响，单独 《多因子模型研究之一：单 检测市值因子在历史不同时间段的表现。我们发现，在过去较长的一段 研 因子测试 时间内，小市值组合一直占据着较为稳定的优势地位，直到2017 年， 《多因子模型研究之二：收 市值因子风格才完全反转。 究 益预测模型 报  我们检测了买入持有、定期调整资产比例、Greedy、Epsilon-Greedy 《多因子模型研究之三：风 和Thompson Sampling 五种策略应用于抽样多因子模型的历史表现。 告 险模型与组合优化》 Thompson Sampling 在各项指标中都处于领先地位，尤其是在2017 年 没有收到市场风格转换影响，表现出了较好的适应性，实现了持续盈利。 《随机森林多因子模型与传  我们发现 Thompson Sampling 更适用于具有周期性的资产投资将会 统多因子模型的选股风格对 更具优势。我们又构建了股票和债券的混合模型，更明显的体现出了该 比——多因子模型研究系列 方法在周期轮动情况下的适应能力。 之四》  我们认为，Thompson Sampling 在现实中的应用可以与市场判断相结 合。当判断市场未来更多体现震荡行情时，可以使用这种方法来平滑风 《使用 bandit learning 算法 险；当判断市场未来更多体现趋势行情时，可以使用其他更偏重动量的 权 的多因子模型——多因子模 策略，以取得更高的短期投资收益。在长期投资中，总的来说Thompson 型研究系列之五》 Sampling 方法会优于其他方法，因为没有任何趋势可以一直持续，市 益 场的周期性已经被很多研究论证过了。  未来，我们会继续研究更多的在线学习模型，探索其适用范围、运行机 专 《 制、收益来源以及成果的延续