今天研究了一下文章《【量化课堂】机器学习多因子策略》，大受启发。
我觉得“机器学习多因子策略”不准确，应该叫“机器学习市值解释策略”。
因为策略用了一些因子，来描绘这个市场当前的市值情况，然后买入那些相对当前市值情况向下偏离大的股票。
这个策略应该如何理解呢？
我们打个比方，这个市值情况的描绘结果，可以理解为一个平面，而那些个公司，可以理解为平面周边的一个个点。
有些点在平面内，有些点在平面上方，有些点在平面下方。
那些不在平面内的点，我们预计它最终会回归到平面上，于是就去选择处于平面下方的点。
也就是买入可能会上涨的公司。
文章《【量化课堂】机器学习多因子策略》中，该策略所用来描绘市值的因子有净资产、财务杠杆、净利润、营业收入同比增长率、开发支出、所处行业（申万一级行业）。
用来进行机器学习的数据，是交易日当天的数据，下图我将交易的时间设置为14:50分的效果：
每天14:50分执行调仓
为什么不用过去多日的数据呢？
正如上面所说，每天市场整体的情况就是一个平面，而平面的位置每天都是不一样的，如果使用了多天的数据，那么其实就相当于取了多个平面的平均值。
用多日面的平均值，来看当日点的偏离程度，就不是那么准确了：
采用过去10个交易日的数据进行机器学习
而且，只使用当日数据也有一个好处，那就是策略能够自动适应市场风格的变化。
例如在2017年4月左右，市场风格突变，策略虽然也因此下挫，不过后面资金曲线依然向上：
适应市场风格转变
不过策略还是有些瑕疵：
瑕疵
你看上图，虽然黄色的超额收益曲线走势比较稳定，但是在牛市来临，市场快速拉升阶段，超额收益是在下降的。
我猜想，是因为描绘市场市值情况的因子，大部分都是财务数据，所以这里跟不上市场的节奏。
估计加上动量方面的指标，应该会有所改善。
所以，这里尝试加入了一个技术指标CYE，我们看一下效果：
虽然不大明显，但也能看到超额收益曲线相对于原来更加平滑了，最大回撤下降了，夏普比率也比原来提升了一点点。
这也说明，增加动量方面的指标，对于市值解释还是有帮助的。
网友评论