研报名称：《当线性模型遇见机器学习》
投资要点
多因子选股体系中不可规避的一个问题是因子选择，该领域的学术以及商业研究相对较少。作为机器学习系列二研究，我们通过引入机器学习中的特征选择方法，运用 Filter&Wrapper 构建因子选择体系，进一步构建线性和非线性融合的动态选股因子，该因子选股能力斐然。
针对于选择的因子通过线性回归的方式构建动态选股因子 DLS：因子 IC、ICIR、T 值分别为 0.106、1.50、16.06，而基准（选择过去 5 年 ICIR 最优因子等权*）则分别为 0.061、1.16、12.48；分位数测试来看，DLS 因子多空年化收益、夏普率分别达到 43.0%、4.99，同期基准达到 24.3%，3.48，且 DLS 因子在各组别中的单调性和稳定性要优于基准的表现。
为了更好的利用非线性选股信息，我们将机器学习系列一构建的集成学习因子引入到线性回归中（相当于在 Filter&Wrapper 选择的因子基础上添加集成学习因子），构建线性和非线性叠加的 A-DLS 因子。A-DLS 因子 IC达到 0.13、ICIR 为 2.07，多空组合年化收益 69%、夏普率 6.55，整体表现优于集成学习因子。
基于 A-DLS 因子构建主动量化以及增强选股策略，各策略表现优异。其中主动量化策略年化超额收益 26.9%、夏普率 4.61；针对于沪深 300 和中证 500 采用线性优化的方式构建指数增强策略，以针对于中证 500 构建的全市场选股增强策略为例：策略超额收益达到 18.4%、风险收益比达到4.14、最大回撤 3.7%。
风险提示：本报告模型及结论全部基于对历史数据的分析，当市场环境变化时，存在模型失效风险。
