摘要：

本报告为机器学习选股策略系列第三篇专题优化研究，系统比较了两代策略的设计演进与绩效差异。策略一（优化前）基于支持向量回归（SVR）结合RSRS择时信号，以沪深300为基准，持仓10只股票，2016-2026年回测年化收益22.20%，最大回撤43.22%，夏普比率0.838，累计收益601.97%。策略二（优化后）基于多因子线性回归评分体系，以中证500为基准，集中持仓1只股票，预训练五组回归系数覆盖质量、动量、技术与风险因子，回测年化收益大幅提升至49.39%，最大回撤压缩至20.58%，夏普比率跃升至1.784，累计收益达4847.16%，综合绩效提升约8倍，验证了因子预训练与集中持仓策略在量化选股中的显著优势。

第一章 引言

量化选股策略的核心挑战在于如何从海量金融数据中提炼出稳定、有效的预测信号。机器学习方法因其强大的非线性拟合与高维特征处理能力，近年来在量化投资领域获得广泛应用。然而，不同机器学习范式（在线学习 vs. 离线预训练、支持向量机 vs. 线性回归）在实际投资中的表现差异鲜有系统性实证研究。

本报告聚焦于机器学习选股策略的迭代优化路径，以支持向量回归（SVR）策略为基准，通过引入多因子线性回归预训练模型进行系统性优化，从三个维度展开对比分析：

1. 模型架构：在线SVR训练 vs. 离线线性回归预训练系数
2. 择时逻辑：RSRS动态择时 vs. 纯因子驱动无择时
3. 仓位管理：10只分散持仓 vs. 1只集中持仓

通过2016至2026年十年跨度的历史回测，本研究旨在揭示不同策略设计选择对最终投资绩效的影响机制，为机器学习选股策略的工程实践提供参考。

第二章 研究目的

2.1 核心问题

本研究围绕以下核心问题展开：

• 预训练系数是否优于在线训练？线性回归的预训练系数（固定权重）与SVR的实时训练相比，哪种方式在真实市场环境中更具稳定性？
• RSRS择时信号是否有效？RSRS标准分作为择时过滤器是否能够改善策略绩效，还是反而引入了误判噪声？
• 集中持仓的收益风险权衡：单只股票集中持仓能否在提升收益的同时控制回撤？

2.2 策略对比框架

2.3 研究假设

基于市场微结构与因子研究文献，提出以下假设：

• H1：预训练线性回归系数在样本外表现优于实时SVR训练，因其避免了过拟合风险
• H2：RSRS择时信号在A股市场中可能产生系统性误判，降低策略收益
• H3：集中持仓在选股因子有效的前提下，能够显著放大策略超额收益

第三章 回测框架

3.1 回测环境配置

两个策略均在聚宽（JoinQuant）量化平台上进行回测，核心参数如下：

3.2 股票池过滤规则

策略一过滤规则：

• 剔除ST、*ST股票
• 剔除上市不足一年新股
• 剔除当日涨停/跌停股票
• 要求PE > 0（正盈利）
• 要求ROE增长率 > 0
• 要求营业收入增长率 > 0
• 要求净利润增长率 > 0
• 要求经营现金流/净利润 > 0
• 资产负债率 < 0.7

策略二过滤规则：

• 剔除上市不足375天新股（days_public > 375）
• 剔除ST、*ST股票
• 剔除科创板（KCBJ）及北交所股票
• 剔除当日涨停/跌停股票
• 剔除当日停牌股票

3.3 调仓机制

策略一（月度调仓）：

# 每日运行，月度实际调仓
run_daily(trade, '9:30')
# 月度触发条件
if context.current_dt.month != g.last_month:
    g.last_month = context.current_dt.month
    # 执行调仓逻辑

策略二（周度调仓）：

# 每周一09:30执行调仓
run_weekly(weekly_adjustment, 1, '9:30')

3.4 评估指标体系

回测结果使用以下指标综合评估：

• 收益指标：策略收益率、年化收益率、超额收益率（相对基准）
• 风险指标：最大回撤、超额回撤、波动率
• 风险调整收益：夏普比率、信息比率、Alpha/Beta
• 交易质量：胜率（月度盈利比例）、盈亏比

第四章 研究过程

4.1 策略一：SVR市值残差选股（优化前）

4.1.1 RSRS择时模块

策略一的核心择时信号来自阻力支撑相对强度（RSRS）。该指标通过分析价格高低点之间的线性回归斜率，量化市场的支撑阻力关系：

# RSRS核心参数
g.N = 18          # 斜率计算窗口（18日）
g.M = 600         # Z-score参考窗口（600日）
g.K = 8           # Z-score斜率计算窗口
g.score_thr = -1  # 买入标准分阈值
g.score_fall_thr = -0.5  # 下跌卖出阈值
g.idex_slope_raise_thr = 10  # 指数动量买入阈值

def get_RSRS_score(context):
    # 获取指数N日高低点数据
    prices = get_price('000300.XSHG', count=g.N, 
                       fields=['high', 'low'])
    highs = prices['high']
    lows = prices['low']
    
    # 线性回归求斜率
    slope, _ = np.polyfit(lows, highs, 1)
    g.slope_series.append(slope)
    
    # 计算标准化Z-score
    if len(g.slope_series) >= g.M:
        recent = g.slope_series[-g.M:]
        zscore = (slope - np.mean(recent)) / np.std(recent)
        
        # 斜率修正评分
        slope_k = np.polyfit(range(g.K), 
                             g.slope_series[-g.K:], 1)[0]
        score = zscore * slope_k
        return score

择时逻辑：

• score > g.score_thr（-1） 或 指数动量 > 10：触发买入信号
• score < g.score_fall_thr（-0.5）：触发卖出信号（空仓等待）

4.1.2 SVR市值残差模型

在RSRS确认买入信号后，策略通过SVR模型筛选"被低估"的股票：

def select_stocks_svr(context, n_choice=10):
    # 构建特征矩阵：基本面因子
    df = get_fundamentals(query(
        valuation.pe_ratio,
        indicator.roe,
        indicator.revenue_yoy,
        indicator.net_profit_yoy,
        valuation.market_cap
    ), date=context.current_dt)
    
    # 目标变量：对数市值
    df['log_mc'] = np.log(df['market_cap'])
    Y = df['log_mc']
    X = df.drop('log_mc', axis=1)
    
    # SVR模型训练（RBF核）
    svr = SVR(kernel='rbf')
    model = svr.fit(X, Y)
    
    # 计算市值残差（实际-预测）
    r = Y - pd.Series(svr.predict(X), Y.index)
    
    # 选取残差最小（最被低估）的股票
    selected = r[r < 0].sort_values().head(n_choice).index.tolist()
    return selected

核心逻辑：SVR通过基本面因子预测"合理市值"，负残差意味着股票的实际市值低于模型预测的合理市值，即"相对低估"。选取残差最负的10只股票构建投资组合。

4.1.3 基本面质量过滤

def fundamental_filter(df):
    conditions = [
        df['pe_ratio'] > 0,           # 正盈利
        df['roe_yoy'] > 0,            # ROE增长
        df['revenue_yoy'] > 0,        # 营收增长  
        df['net_profit_yoy'] > 0,     # 净利润增长
        df['ocf_ratio'] > 0,          # 经营现金流为正
        df['debt_to_assets'] < 0.7    # 低杠杆
    ]
    return df[np.all(conditions, axis=0)]

4.2 策略二：多因子线性回归评分（优化后）

4.2.1 预训练因子模型架构

策略二的核心创新在于离线预训练的五组线性回归系数，彻底摒弃了在线模型训练，避免了前视偏差与过拟合风险：

g.factor_list = [
    # 第1组：技术面+质量因子
    (['ARBR', 'SGAI', 'net_profit_to_total_operate_revenue_ttm', 
      'retained_profit_per_share'],
     [-3.89e-19, 6.05e-05, -0.000135, -0.000623]),
    
    # 第2组：动量+盈利能力因子
    (['Price1Y', 'total_profit_to_cost_ratio', 'VOL120'],
     [-0.007687, -0.001064, -0.000637]),
    
    # 第3组：价格+盈利效率因子
    (['price_no_fq', 'total_profit_to_cost_ratio', 
      'inventory_turnover_rate'],
     [-0.000222, -0.000340, -1.24e-08]),
    
    # 第4组：财务健康+技术面因子
    (['debt_to_assets', 'operating_cost_to_operating_revenue_ratio',
      'DAVOL20', 'price_no_fq', 'sales_growth'],
     [-0.001346, 0.001286, -0.003021, -0.000233, 0.000234]),
    
    # 第5组：风险因子
    (['TVSTD6', 'cashflow_per_share_ttm', 'sharpe_ratio_120',
      'non_operating_net_profit_ttm'],
     [-6.69e-11, -0.000161, -0.000553, 9.17e-12])
]

五组因子的经济含义：

4.2.2 综合评分与选股

def get_factor_score(context):
    # 获取全市场股票池
    stocks = get_all_securities('stock').index.tolist()
    
    # 应用过滤规则
    stocks = filter_stocks(context, stocks)
    
    total_scores = pd.Series(0.0, index=stocks)
    
    # 五组模型累计评分
    for factor_names, coefficients in g.factor_list:
        factor_data = get_factor_values(
            stocks, factor_names, 
            date=context.current_dt
        )
        # 线性回归评分：因子值 × 预训练系数
        group_score = factor_data.dot(
            pd.Series(coefficients, index=factor_names)
        )
        total_scores += group_score
    
    # 选取综合评分最低的1只股票
    # （系数以负值为主，评分越低代表质量越好）
    selected = total_scores.nsmallest(g.stock_num).index.tolist()
    return selected

评分机制说明：由于五组回归系数中负系数占主导，综合评分越低代表：

• 更低的价格动量（逆势/低关注）
• 更低的波动率（稳定性强）
• 更低的销售管理费用增长（经营效率高）
• 更高的夏普比率（风险调整收益佳）

4.2.3 周度调仓执行

def weekly_adjustment(context):
    # 获取目标股票
    target = get_factor_score(context)
    
    current_positions = [p for p in context.portfolio.positions 
                         if context.portfolio.positions[p].total_amount > 0]
    
    # 卖出不在目标列表的持仓
    for stock in current_positions:
        if stock not in target:
            order_target_percent(stock, 0)
    
    # 买入目标股票（满仓单只）
    for stock in target:
        order_target_percent(stock, 1.0 / len(target))

4.3 两代策略的关键设计差异分析

4.3.1 训练范式差异

4.3.2 择时逻辑差异

RSRS择时模块在策略一中扮演了"市场过滤器"的角色——当市场下行时强制空仓等待。然而，这一机制存在两个潜在问题：

1. 延迟信号：RSRS标准分基于历史窗口计算，在市场快速转折时存在信号滞后
2. 错失反弹：空仓期间可能错过快速V型反弹行情，导致相对收益损失

策略二放弃择时，采用纯因子驱动的"持续持仓"策略，通过高质量的因子选股代替宏观择时，验证了"选股优于择时"的投资哲学。

第五章 研究结果

5.1 净值曲线对比

策略一（SVR优化前）净值曲线：

策略二（线性回归优化后）净值曲线：

5.2 核心绩效对比

5.3 关键绩效分析

5.3.1 收益端：8倍的跨越式提升

策略二的累计收益达到4847.16%，相当于策略一（601.97%）的约8倍。年化收益从22.20%跃升至49.39%，提升幅度达27.19个百分点。这一惊人差距主要来源于：

1. 集中持仓的杠杆效应：单只股票满仓持有，当因子选出强势股时，收益完全兑现；相比之下，10只股票分散持仓会因弱势股稀释组合收益
2. 预训练系数的稳定性：离线训练的系数在样本外保持了有效性，避免了在线SVR因数据噪声导致的选股失误
3. 取消择时的持续暴露：策略二在市场上行期持续持仓，充分参与了2019-2021年的牛市行情

5.3.2 风险端：最大回撤压缩近半

尽管集中持仓通常被认为风险更高，策略二的最大回撤（20.58%）反而显著低于策略一（43.22%），降幅高达22.64个百分点。这一结果揭示了两个重要机制：

• SVR模型的不稳定性：策略一的SVR在特定市场环境（如2018年熊市）下可能选出基本面恶化的股票，导致大幅回撤
• 因子预训练的风险控制：策略二的第5组因子（TVSTD6、sharpe_ratio_120）专门针对波动率进行负向选择，系统性地过滤了高波动股票

5.3.3 风险调整收益：夏普比率倍增

夏普比率从0.838提升至1.784（+0.946），信息比率从1.113提升至2.305（+1.192），Alpha从0.206提升至0.483（+0.277）。这些指标的全面提升表明，策略二不仅绝对收益更高，其单位风险的超额收益能力也实现了质的飞跃。

夏普比率超过1.7、Alpha接近0.5，在A股量化策略中属于极为优秀的水平，验证了线性回归预训练因子模型在A股市场的强有效性。

5.3.4 交易质量：胜率与盈亏比双提升

月度胜率从54.3%提升至60.5%，盈亏比从1.681提升至2.504。两项指标同步改善，说明策略二在盈利频率和单次盈利规模两个维度均优于策略一。这是量化策略中较为罕见的"既能更频繁获利，单次获利也更大"的优化效果。

5.4 分阶段绩效归因

第六章 未来优化与展望

6.1 当前策略的局限性

尽管策略二展示了卓越的回测绩效，以下局限性值得关注：

1. 过度集中的单只持仓风险
单只股票满仓持有虽然放大了收益，但在个股出现极端黑天鹅事件时（如财务造假、政策打压），组合将面临毁灭性损失。回测数据无法完全反映这一尾部风险。

2. 预训练系数的时变性问题
固定的线性回归系数隐含了因子有效性不随时间变化的假设。随着市场结构演变（如量化规模扩大、监管政策变化），预训练系数可能出现失效风险，需要定期重新训练或引入系数衰减机制。

3. 中证500股票池的流动性约束
策略二以中证500为基准，相关股票流动性相对充足，但1000万元满仓单只中小盘股在实际交易中可能面临冲击成本问题。

4. 样本内过拟合的潜在风险
五组预训练系数基于历史数据优化而来，存在一定程度的样本内过拟合风险，真实样本外表现可能低于回测结果。

6.2 优化方向

6.2.1 持仓分散化改进

将集中持仓从1只扩展至3-5只，在保持高集中度优势的同时引入有限分散，降低个股特质风险：

# 建议持仓数量优化
g.stock_num = 3  # 从1只扩展至3只
# 等权配置或按因子评分加权

6.2.2 动态系数更新机制

引入滚动窗口重训练机制，定期（季度/年度）更新预训练系数，使模型保持对市场环境变化的适应性：

# 季度滚动重训练（伪代码）
if context.current_dt.month % 3 == 0:
    update_pretrained_coefficients(
        lookback_years=3,
        retrain_date=context.current_dt
    )

6.2.3 波动率自适应仓位管理

在保留纯因子选股核心逻辑的基础上，引入轻量化的波动率自适应仓位控制：

# 基于VIX/波动率的仓位调节
def volatility_adjusted_position(context):
    vol_20d = calc_realized_vol(lookback=20)
    target_vol = 0.15  # 目标年化波动率15%
    position_ratio = min(1.0, target_vol / vol_20d)
    return position_ratio

6.2.4 因子有效性监控

建立实时因子IC监控体系，当某组因子的滚动IC显著下降时，自动降低其权重：

6.3 研究延伸方向

1. 因子组合优化：使用Lasso/Ridge回归自动筛选最优因子组合，替代人工划分的5组结构
2. 跨市场验证：将预训练系数在港股、美股市场进行迁移学习验证
3. 高频因子引入：在周度调仓框架下引入日内分钟级别的技术因子（如隔夜收益、日内振幅）
4. 集成模型探索：将线性回归评分与梯度提升树（LightGBM）进行集成，探索非线性因子交互效应
5. 风险预算框架：引入Black-Litterman模型，结合宏观视图与因子信号进行最优仓位配置

6.4 结语

本研究通过策略一（SVR+RSRS择时）到策略二（线性回归预训练+纯因子驱动）的系统性迭代，验证了以下核心结论：

"好的因子体系胜于复杂的模型结构，预训练稳定性胜于在线学习灵活性，精准选股胜于宏观择时。"

策略二8倍于策略一的超额收益，以及显著更低的最大回撤，为机器学习量化策略的工程实践提供了重要启示：简单、稳健、可解释的线性因子模型，在A股市场中往往比复杂的非线性模型更具持久的竞争优势。

附录

附录A：策略参数汇总

策略一（SVR优化前）核心参数：

# 择时参数
g.N = 18              # RSRS斜率计算窗口
g.M = 600             # Z-score参考窗口
g.K = 8               # Z-score斜率窗口
g.score_thr = -1      # RSRS买入阈值
g.score_fall_thr = -0.5  # 卖出阈值
g.idex_slope_raise_thr = 10  # 动量买入阈值

# 选股参数
g.stock_num = 10      # 持仓股票数
g.model = SVR(kernel='rbf')  # 支持向量回归

策略二（线性回归优化后）核心参数：

# 持仓参数
g.stock_num = 1       # 集中持仓1只

# 5组预训练系数
g.factor_list = [
    (['ARBR', 'SGAI', 'net_profit_to_total_operate_revenue_ttm', 
      'retained_profit_per_share'],
     [-3.89e-19, 6.05e-05, -0.000135, -0.000623]),
    (['Price1Y', 'total_profit_to_cost_ratio', 'VOL120'],
     [-0.007687, -0.001064, -0.000637]),
    (['price_no_fq', 'total_profit_to_cost_ratio', 
      'inventory_turnover_rate'],
     [-0.000222, -0.000340, -1.24e-08]),
    (['debt_to_assets', 'operating_cost_to_operating_revenue_ratio',
      'DAVOL20', 'price_no_fq', 'sales_growth'],
     [-0.001346, 0.001286, -0.003021, -0.000233, 0.000234]),
    (['TVSTD6', 'cashflow_per_share_ttm', 'sharpe_ratio_120',
      'non_operating_net_profit_ttm'],
     [-6.69e-11, -0.000161, -0.000553, 9.17e-12])
]

附录B：因子说明

本报告基于历史回测数据，不构成投资建议。量化策略的历史绩效不代表未来实际表现。