雷火竞技首页

AI量化选股模型的底层逻辑全解析
发布时间:2026-04-07
 大家好,我是太侠,行业智库《侠说》主理人,内含6.2万行业报告,6000+会员。  传统的量化选股模型往往直接在全市场股票中寻找规律,但这种方法存在明显缺陷:模型维度急剧扩张、参数总量大幅增加、容易出现过拟合。  天风证券提出的AI量化选股模型采用了两阶段递进的逻辑,打破了传统框架。第一阶段是行业主线轮动模型,聚焦宏观与行业层面,对行业指数趋势强弱进行预测与排序;第二阶段则在预测的主线及次主线

  大家好,我是太侠,行业智库《侠说》主理人,内含6.2万行业报告,6000+会员。

  传统的量化选股模型往往直接在全市场股票中寻找规律,但这种方法存在明显缺陷:模型维度急剧扩张、参数总量大幅增加、容易出现过拟合。

  天风证券提出的AI量化选股模型采用了两阶段递进的逻辑,打破了传统框架。第一阶段是行业主线轮动模型,聚焦宏观与行业层面,对行业指数趋势强弱进行预测与排序;第二阶段则在预测的主线及次主线行业内,运用AI量化选股模型,基于个股基本面特征因子完成最终标的筛选。

  为什么要拆分为两个阶段?有三个原因。第一,控制模型复杂度。宏观因子在经济学逻辑上更加适配行业截面的预测,而在个股截面上作用有限。第二,动态适配上市公司数量变化。IPO常态化会持续新增个股,退市机制会导致部分个股退出市场,两阶段划分模式可以动态适应。第三,第二阶段模型可以独立发展,成为指数增强模型。

  模型的第二阶段核心在于β系数的预测。传统CAPM模型中,β系数反映了股票收益率对市场收益率变动的敏感性,β越大,股票的风险越大。但这个传统认知有一个关键假设:市场组合预期收益率不可预测。

  如果打破这个假设,认为市场组合预期收益率在一定程度上具备可预测性,比如能够预测其正负方向,那么β系数的应用逻辑将发生根本性改变。具体而言,当市场组合预期收益率被预测为正的时间段内,选择β系数相对更大的股票,理论上能够借助其与市场组合的高联动性,获取更高的收益率。

  股票β本质是由上市公司基本面决定的,其决定因素包括经营杠杆、财务杠杆、业务周期属性,以及上市公司资产质量、盈利稳定性、行业、规模、成长性等。这些因素相对稳定,因此股票的β也相对稳定,适合作为预测目标。相比之下,个股收益率噪声更大,更加难以预测。

  传统的滚动OLS回归方法计算的β不够稳定。即便将滚动窗口取到120个交易日,仍不足以获得稳定的β。而且如果股票曾长期停牌,会严重影响通过滚动OLS计算股票β。

  天风证券的选股模型将β视为一个时变的隐藏状态,其取值由上市公司的资产属性内生决定。在实际建模过程中,以每个交易日为观测节点,通过获取当日股票与市场组合的收益率数据,动态验证当前对隐藏状态估计值的准确性,并基于验证结果对估计值进行修正。

  模型优势:选股模型求解的β稳定程度得到了显著提升;随着数据量的增加,β很快收敛到合理范围;即使股票长期停牌,也不会对相应区间的β估算造成较大影响。

  行业主线月初开始,已实测运行超过半年时间。期间通信行业稳居主线个交易日有色金属行业短暂占据首位。排名前5位的行业相对稳定,通信、有色、计算机、电子、国防军工、银行、煤炭等行业位居前5位的时间较长。

  实盘数据:自2025年8月5日以来,行业轮动-Top1策略和行业轮动-Top5加权组合策略分别取得42.73%和37.18%的收益率,相对于万得全A的超额收益分别为21.76%和16.22%。

  整个测试区间从2023年7月21日开始,两策略年化收益率分别是46.94%和38.65%,相对于万得全A的年化超额收益分别为32.74%和24.46%。

  在行业轮动模型基础上叠加选股模型后,组合收益进一步大幅增强,体现出了选对行业+选对个股的双重赋能。

  从评价指标可以看出,纯行业轮动策略已显著跑赢基准万得全A,在收益、夏普比率上均有明显提升。在此基础上叠加选股模型后,组合收益进一步大幅增强。整体呈现出一定的规律:行业分散度越高、选股数量越多,组合波动率单调降低;过度集中于单一行业、单一个股,虽然收益最高,但回撤与波动同步放大。

  选股模型针对通信行业的近期选股结果显示,排名前十的股票相对稳定。天孚通信、中际旭创、新易盛、光库科技、源杰科技、德科立等股票长期位居前列。

  值得注意的是,模型未对股票行业进行人工划分,个股是否归属某一行业由模型基于股票与行业指数的市场表现自动判断。因此,部分股票的行业划分结果可能与申万一级行业等标准存在差异,亦可能出现单只股票同时归入多个行业类别的情形。这种灵活划分方式比主动划分股票行业更加灵活和高效。

  E(Rm) - 市场组合预期收益率主要决定因素:宏观基本面、行业基本面 解决方案:行业主线轮动模型(AI量化选股第一阶段模型)

  β - 股票相对行业的风险系数主要决定因素:个股基本面、量价特征 解决方案:AI量化选股第二阶段模型

  α - 超额收益主要决定因素:超预期因素、量价特征 解决方案:暂不纳入选股考量

  1. 市场环境变动风险金融市场环境时刻处于动态变化之中,宏观经济政策的调整、地缘政治冲突、突发事件等都可能引发市场环境的剧烈变动,使得模型基于历史数据所构建的预测模式失效。

  2. 模型稳定性风险随着时间推移,深度学习算法中的参数可能会发生漂移,尤其在数据分布特征随时间发生缓慢变化时,这种参数漂移现象更为明显。

  3. 数据质量风险金融数据来源广泛且复杂,广泛存在数据缺失、统计口径差异的情况。数据可能受到市场噪声干扰,若模型将这些噪声数据误判为有效信息,可能会在模型中引入错误的关联关系。

  AI量化选股模型的核心思想是:在预测市场方向的基础上,选择与市场联动性更强的股票。这不是新的理论,但AI让这一思想变得可操作、可量化、可验证。

  从行业轮动到个股精选,从宏观择时到微观选股,AI量化模型构建了一个完整的投资链条。这个链条的每一个环节都有其存在的意义和价值,缺一不可。

  量化投资不是圣杯,而是一门需要不断学习、不断优化的科学。AI让这门科学变得更精准,但人的判断和风控依然不可或缺。

  本文解读的模型已经取得了不错的回测结果,但实盘表现才是真正的考验。市场永远在变化,模型也需要不断调整和优化。投资路上,保持敬畏,保持学习,才能走得更远。

  #量化投资#AI选股#β系数#行业轮动#天风证券#量化模型#投资策略返回搜狐,查看更多