人工智能行业市场前景及投资研究报告：文本FADT选股.pdf

证券研究报告 金工 人工智能57 ：文本FADT 选股 研究 2022 年7 月01 日│中国内地 深度研究 对分析师盈利预测调整研报文本进行挖掘，构建FADT 选股组合 本文对分析师盈利预测及评级调整中的文本数据进行挖掘，构建的 forecast_adj_txt 因子表现较为优秀：从因子视角来看，该因子分十层回测 严格单调，多头端收益显著，且与传统的forecast_adj 因子相关性低；从主 动选股的视角来看，以该因子多头第一层为基础池进行进一步股票精选，构 建出的主动量化FADT 选股组合在回测20220630 内年化收 益达到44.13%，夏普比率 1.48，年化双边换手16 倍。参数稳健性测试结 果表明，模型受各组参数影响较小，文本因子过拟合程度较低。 盈利预测调整是“催化剂”事件的间接表达，使用机器学习识别相关文本 本文的初衷是找出对股价有重要影响的“催化剂”事件，通过分析师盈利预 FADT 选股组合回测净值 测及评级调整等间接的方式可以对“催化剂”事件进行分析，因此我们的目 最大回撤（右轴） 标转换为对盈利预测调整的文本进行识别，找出分析师情感偏正向的调整事 增强组合回测净值 150 0% 件。在构建模型时，输入特征为分析师研报文本转换成的词频矩阵，预测标 -20% 签为研报发布前后两天对应个股的超额收益。在样本外根据模型预测得分构 100 -40% 建forecast_adj_txt 因子。测试结果表明该因子多头收益显著，分层效果严 -60% 格单调，同时与传统方法构建的forecast_adj 因子相关性低。 50 -80% 0 -100% 对各参数进行稳健性测试，模型大概率不存在过度调参导致的过拟合问题 9 0 1 2 3 4 5 6 7 8 9 0 1 2 0 1 1 1 1 1 1 1 1 1 1 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 对模型中的各组参数进行稳健性测试，主要讨论了以下参数：训练使用的非 2 2 2 2 2 2 2 2 2 2 2 2 2 2 线性模型、研报标题和摘要采用的词数、样本内窗口长度、样本标签的时间 资料来源：Wind ，朝阳永续， 研究，回测期： 区间、标签分类数量等。测试结果表明，文本因子对各组参数均不敏感，不 20220630 同参数下forecast_adj_txt 因子均具有较为稳定的分层效果，多头端绝对年