如何利用機器學習賦能紅利高股息投資.pdf

如何利用機器學習賦能紅利高股息投資。本文以機器學習算法為基礎，在不同紅利高股息投資場景下，應用不同類別的 機器學習模型賦能紅利高股息投資。應用一：利用基于決策樹的機器學習模型 選取不同風格紅利指數；應用二：針對現有紅利投資的傳統因子，利用強化學 習算法深入挖掘不同因子的時序表現，對不同因子進行動態復權。

機器學習應用一：紅利主題指數配置。 本文選取包括中證紅利指數在內共計 12 個紅利主題指數作為紅利指數配置標 的，采用 DART增強方式的 LightGBM 算法作為紅利主題資產配置模型，構建 紅利主題指數因子。經回測，紅利主題指數因子自 2021 年 1 月至 2024 年 6 月 RankIC 為 17.11%，RankIC 勝率為 63.41%，多頭組合（Top3）年化收益 15.39%，相對等權組合（7.33%）年化超額 8.06%。剔除無跟蹤 ETF產品指 數后，紅利主題指數因子 RankIC 為 18.92%，RankIC 勝率 63.41%，多頭組 合（Top3）年化收益14.09%，相對等權組合年化超額 6.76%。

機器學習應用二：選股因子動態復權。 泛高股息指數：定義 “基本+分紅”篩選條件，按照月頻（每月最后一個交易 日收盤）調倉，以股息率加權構建泛高股息指數。截至 2024 年 6 月 30 日， 泛高股息股票池中共有 1619只股票。自 2013年 4月 30日至 2024年 6月 30 日，泛高股息指數年化收益率 11.05%，整體來看相對跑輸中證紅利全收益指 數，跑贏萬得全 A。行業配置方面，泛高股息指數配置比例較高的分別為醫藥、 機械、基礎化工、電新行業，占比分別為 9.97%、9.14%、8.94%、6.91%。 泛高股息選股因子探究：本節分別測試了量價、質量、盈利、估值、成長五大 類因子共計 30個小類因子，綜合考慮 IC及多頭組合表現，每大類保留 2個因 子。除此之外，本文綜合考慮單只股票股息率時序變化以及股息率變化在股票 價格上的兌現情況，構建股息兌現因子。上述六大類因子股息兌現、量價、質 量、盈利、估值、成長自 2013年 4月至 2024年 6月 IC 分別為 4.94%、7.63%、 2.33%、5.19%、1.58%以及 2.42%，等權合成后因子 IC為 7.60%，多頭組合 年化收益率 17.68%。 強化學習 DQN動態因子復權：本節采取 DQN算法構建相應的因子輪動策略。 以 t-1 期因子表現為當前狀態，以 t 期動態復權因子為獎勵。在最大化累計獎 勵的基礎上構建 DQN因子（動態復權因子）。經測試，自 2021 年 1月 31日 至 2024年 6月 30日，DQN因子 IC 為 9.55%，多頭年化收益率 17.58%，相 對中證紅利全收益指數年化超額收益率 5.93%，多頭組合信息比率 0.90，表 現均優于等權因子。