1. 引言
2023年2月1日，证监会宣布A股将全面实行注册制，新股上市前五日均不限制涨跌幅度，优化盘中临时停牌制度，并且新股上市首日便可纳入融资融券标的，优化转融通机制，扩大了融资融券范围。这意味着股票市场变得更加灵活，股票总数量将快速增加，股票市场的资本流通性将大大增强，有利于投资者优化配置资源。在股票市场中，收益与风险并存，投资者利用有限的资金，如何进行合理配置并尽量规避投资风险是当下的研究热点问题。
新型冠状病毒肺炎疫情以来，投资者对医疗行业股票的关注度增加，医疗行业大部分股票收益率暴增。本文尝试建立一套有效的因子体系，为多因子选股量化投资的理论研究提供新的思路，给股票市场中偏爱高景气赛道的投资者提供一定指导意见。费晓晖和赵永亮(2021) [1] 通过实证研究表明：Fama-French三因素对医疗行业股票超额收益的解释力下降，疫情突发，投资者对医疗行业股票格外关注，引起投资者情绪性投资，导致出现显著的超额收益。本文将从散户投资者视角出发，选用医疗行业产业链的部分股票作为候选股票池进行实证分析，从国泰安数据库中下载东方财富股吧中投资者情感倾向数据，构建投资者情绪指标。进一步，将投资者情绪指标定义为情感因子，构建融合情感因子的多因子选股模型并进行实证研究，为投资者在复杂多变的金融市场中提供理性投资建议。
2. 相关工作
Fama和French (1993) [2] 根据美国股市数据分析发现，股票超额收益率与上市公司估值、市场收益和市值有很强的相关性，提出三因子模型，由此开启了通过因子化分析股票市场收益的先河，为了继续获得超额收益，学者们也开始寻找其他相关因子。Asness (1997) [3] 通过上市公司的基本面数据研究分析表明，股票近期基本面数据与股票收益具有相关性。Mohanram (2004) [4] 从财务的稳健性、增长的稳定性、盈利能力三个方面出发，选取9个指标对股票进行打分，构建的多因子选股模型具有优秀的市场表现。史永东(2015) [5] 通过分析我国A股上市公司数据表明，在多因子选股模型下，投资者情绪会影响股票横截面收益。田浩(2018) [6] 利用XGboost算法构建多因子选股模型，把沪深300指数股票池中的股票作为候选股票池，选出表现最好的30支股票，最终累计收益高达244%。赵娣(2022) [7] 通过多个机器学习算法对比，得出逻辑回归模型的预测效果较好的结论。
3. 模型设计
多因子选股模型研究的重点是筛选有效因子，目前，国内外研究因子选股的方法分为两类：一是利用统计学方法进行筛选，二是基于机器学习方法筛选。在本质上，基于机器学习的多因子选股模型是一个分类问题，通常情况下可以定义为二分类问题，候选股票池中，当日收益率为正的股票标为类别1，当日收益率为负的股票标为0。通过训练数据集，建立机器学习分类器模型来预测下一交易日股票的收益率正负情况。因此，本文模型主要分为：1) 根据股票上一交易日收益率划分标签，分为两类1和0，并随机划分数据集，分为训练集和测试集，划分比例为7:3。2) 通过特征筛选算法：使用最大相关最小冗余(minimal Redundancy Maximal Relevance, mRMR)算法 [8] ，剔除冗余因子，增加有效因子的利用率。3) 通过利用逻辑回归(Logistic Regression, LR) [9] 、随机森林(Random Forest, RF) [10] 、梯度提升决策树(Gradient Boosting Decision Tree, GBDT) [11] 算法及三者通过Stacking集成学习算法融合后的算法构建二分类模型，对分类结果进行对比。4) 根据上一期个股因子数据来预测下一交易日的收益率情况。
本文模型建模的流程图见图1如下：
3.1. 选取股票池和构建因子库
本文选取医疗行业产业链中在A股上市交易的股票共38支，如下表1，对其相关因子数据进行分析建模。在优矿平台上下载候选股票的主要因子，共241个，可以划分为以下几个方面：质量类因子、情绪类因子、动量类因子、常用技术指标类因子。代表股吧投资者情绪因子通过国泰安数据库获取：首先，在国泰安数据库“股吧舆情”板块中下载股票的投资者情绪筛选统计表(净评论)，选择其中较具有代表性的指标个人投资者积极情绪指数b，计算公式为：ln[(1 + 积极帖子数)/(1 + 消极帖子数)]，将其定义为情感因子。选取2022年2月7日到2022年10月30日的日交易数据作为模型的数据集，2022年11月1日到2022年12月30日的数据用于模型的实证分析阶段，共7676条数据。
3.2. 数据预处理
本文需对因子序列进行预处理，通过缺失风险载荷的补足、奇异数据的处理、规范化及中性化处理等进行数据清洗。通过解决异常值、量纲不一致问题，有利于提高模型的稳定性和可靠性。
Table 1. Candidate stocks of the medical industry chain
表1. 医疗行业产业链候选股票
3.3. 有效因子筛选
本节使用mRMR算法对在优矿平台下载的241个因子进行特征选择，该算法同时考虑因子之间的相关性和冗余性，特征筛选性能优异。文中展示模型选出的前30个重要因子，如表2所示。
Table 2. Ranking of factor importance
表2. 因子重要性排序
4. 模型建立
本节利用LR、RF、GBDT算法及三者通过Stacking集成学习算法融合后的算法构建二分类模型，确定股票日度收益率正负与因子数据之间的关系，并利用四个模型中结果最好的进行股票筛选及回测。
4.1. 模型描述
本文提出的融入情感因子的多因子选股模型主要分为五大步骤：数据选取及预处理、有效因子筛选、分类模型训练和模型选股性能验证。对选取的数据进行数据预处理后，将标准化的数据划分为训练集和测试集，划分比例为7:3。下一步采用mRMR特征筛选算法选出排名前30的特征子集，最终利用四种二分类算法对数据及进行训练。为了验证情感因子的融入会给分类模型带来更好的分类效果，本文将融入情感因子的因子库作为实验组，未融入情感因子的作为对照组，从而构建出八种组合模型。
4.2. 模型结果分析与比较
Table 3. Prediction results of the model
表3. 模型预测结果
注：加粗的数值是指评价指标在每组模型中的最优值。
通过表3中八个模型试验结果的精确率对比可以看出，通过Stacking集成学习算法的预测评估准确率更高，且情感因子的引入，能够进一步提高Stacking模型的测试集分类准确率。
4.3. 回测及结果分析
为了验证模型的适应能力，本节选用股票池中2022年11月1日到2022年12月30日的数据进行选股模型回测分析，使用训练好的“mRMR + 情感因子 + Stacking”模型进行选股，使用2022年11月1日的上一交易日10月28日的因子数据进行预测，筛选出在2022年11月1日收益率为正的股票进行投资预测，筛选出的股票代入优矿平台进行回测，初始资金设置为100,000元，投资比例相同，其他设置为平台默认参数，得到如图2所示的回测结果。
多因子选股模型回测结果显示，本模型选股累计收益率优越，回测期间大部分时间会获得超额收益，但是12月中下旬，我国进入后疫情阶段，全国疫情管控逐渐放开，我国经济面大幅度好转，同时医疗行业产业链关注度也降低，出现12月29日基准收益率超过股票池累计收益率的情况。
模型的各项统计指标如下表4，可以比较明显地看出，模型有着出色的超额收益。在整个回测时间段内，构建的模型的年化收益率为80.6%，基准年化收益为74.9%。因为疫情背景下，医疗行业产业链相关股票收益普遍上涨，基准收益也较高。此外，投资组合的夏普比率达到4.76，超过2以上，说明单位风险所获得的超额收益很显著；最大回撤为4.7%，表明选股模型风险控制能力很好。贝塔表示投资组合对大盘变化的敏感性，回测结果得到贝塔值小于1，说明股票组合对市场波动不是非常敏感，与大盘相关性并不高；阿尔法为67.2%，说本次选股投资管理的能力高。
Table 4. The statistical indicators of the model
表4. 模型的各项统计指标
5. 结论及展望
集成学习算法在大多数据集上都能表现良好，得到了广泛的应用。本文通过将多因子选股模型定义为一个二分类问题，引入情感因子，共构建八种分类模型，最终选出精确率最高的模型进行选股模型回测，回测结果良好，说明本模型具有可行性和有效性。本文的研究成果不仅能帮助喜爱投资高景气赛道股票的投资者选择有上涨概率的股票，也为多因子选股模型构建探索新思路，加强投资者对股票文本舆论影响的关注。