3116 积分	0 好友	404 主题

发消息

动态退出策略：基于随机森林与卷积核，提升资产定价异象在大盘股中的超额收益

发表于 9 小时前 | 查看: 3| 回复: 0

《Anomaly Premiums with Dynamic Exits》（2026年1月27日）这篇论文，为量化投资领域提供了一个新颖的思路：它不再执着于发现新的因子，而是聚焦于优化现有经典策略的退出环节。研究表明，利用机器学习来预测并执行“动态退出”，可以显著提升动量、盈利能力、价值等资产定价异象在保守投资组合中的表现。

背景：被忽视的退出环节

传统的异象投资策略，例如动量、盈利能力或价值策略，通常采用 静态持有 的方式。简单来说，就是每月末根据因子值构建多空组合，然后固定持有整整一个月后再进行调仓。现有的金融研究和实践，大多将精力集中在“买什么”（即选股与建仓）上，而“何时卖”（即平仓时机）这一环却常常被忽视。

这篇论文的核心创新点，正是利用机器学习来预测个股在持仓月内的最佳退出时机，实现“动态退出”。为了证明策略的强健性，研究刻意选择了一个非常保守的样本空间：仅针对大市值股票，并采用市值加权构建组合。众所周知，在这个领域获取显著的超额收益是极具挑战性的。

方法论：一个轻量级但高效的机器学习架构

该研究提出的方法框架清晰且计算高效。

随机卷积核变换与特征提取模型架构图

输入数据 极其简单：仅使用个股过去15天的日收益率序列。

特征提取（核心创新）：这是方法成功的关键。研究者使用了随机卷积核技术，将简单的日收益率序列转换为一个高维的特征向量（约12万个特征）。这种方法的妙处在于，它能够捕捉并提取时间序列中的复杂结构信息，同时又避免了像深度神经网络那样需要进行繁重且耗时的权重训练。

预测目标：使用一个随机森林分类器，来预测股票在下一个月内最可能达到其价格极值（对多头是峰值，对空头是谷值）的时间段，预测粒度以5天为一档。

交易规则 则基于模型的预测信号来执行：

月底：正常建仓，买入Top Quintile（前20%）的股票，做空Bottom Quintile（后20%）的股票。
T月第1-5天：强制持有，不进行任何交易。
T月第6天起：
- 开始执行动态退出程序。
- 对于退出的多头头寸，其资金将再投资给组合中剩余的多头股票；对于平仓的空头头寸，则相应减少负债。
- 模型每天检查每只股票是否进入了其预测的“最佳退出窗口”。
- IF 模型预测某股票应退出 AND 当日已退出头寸的比例 < 50%：则执行退出。
- IF 模型预测应退出 BUT 当日已退出比例 >= 50%：则根据退出股票的累计收益率排序，只退出收益最好的那些，直到达到50%的上限。
T月最后一天：所有剩余未退出的仓位全部平仓。

主要实证结果：收益的显著跃升

研究回测了1975年至2023年的数据，涵盖了动量、盈利能力和价值这三个经典的异象。

收益显著提升：

静态退出（基准）：在大市值、市值加权的样本中，传统的静态持有策略表现平平，部分异象（如价值、盈利能力）的多空收益价差甚至不具备统计显著性。
动态退出：引入基于机器学习的动态退出后，三个异象的月均溢价均达到了 100个基点（1%） 左右，并且t值很高，统计显著性极强。
夏普比率：提升非常明显。例如，盈利能力因子的夏普比率从0.25跃升至1.07；价值因子则从微不足道的0.09提升到了0.85。

利润捕获率：

如果是一个“完美先知”策略（能在事后确定的最低/最高点精准交易），其月回报率大约在9%-10%。
令人惊喜的是，动态退出策略能够捕获其中约 11%-12% 的“完美先知”回报。这个比例具有重要的经济意义，表明模型确实捕捉到了一部分关键的极值点信号。

动态退出与静态持有策略累计收益对比图

稳健性与机制分析

为了确保结果不是数据挖掘的偶然产物，论文进行了一系列严谨的测试：

随机特征的重要性：如果去掉“随机卷积核”这一步，直接将原始收益率序列输入随机森林，产生的Alpha收益会直接减半。这证明通过高维随机特征重构输入数据，是该策略成功的关键。
非纯随机效应：作者测试了完全随机决定退出时点的策略。虽然随机退出比完全静态持有稍好，但基于机器学习的动态退出策略，每月仍能比完全随机退出多产生约45个基点的Alpha。这说明模型确实学习到了有效的、非随机的退出信号。
交易成本：动态退出无疑增加了换手率和交易成本。但在扣除合理的交易成本后，三个异象的月均净回报依然保持在 0.64% - 0.70% 的区间内，结果依然显著为正。
安慰剂检验：在由随机股票构建的、不具备异象特征的投资组合中，该模型无法产生显著的Alpha。这说明模型的有效性依赖于真正的异象组合所蕴含的特定价格信号，而非一种普适的时间序列预测能力。
组合效应：如果将动量、盈利能力和价值三个异象组合在一起，并统一应用动态退出策略，整个组合的夏普比率可以进一步提升至 1.61。