如何简单的利用 Logistic 训练的因子模型使得年化超额 alpha 超过 20%，最大年化收益率高达 34.2%！

这个模型的思路就是利用历史月度数据建立分类器，选取了大概 20 个因子（继续加也没问题），然后以月度收益大于 25%的作为强势股+1 小于-10%的为弱势股-1 （这里用绝对强度而不是相对强度）用得到的数据用 Logistic 模型训练，每过一期就把每个月的数据直接加到训练集里面，当然用滚动窗口训练也没问题（懒得做）我也尝试过用 svm 分类，但是实际上效果并不好，据我做机器学习的同学表示， svm 在特征不够好的情况下表现确实是还不如 logistic 模型的，这种二分类而因子模型本身不太可能做到样本外 80%以上的 AUC ，那太夸张了，所以似乎是 logistic 会好点，决策树我没试过或者用 adaboost 或者随机森林什么的。

当然模型还是有一点我想了很多办法也没法改进的问题：
1.首先，模型在市场风格急剧变化的情况下表现较差在这里牛熊变化的关口表现不好波动性大 15 年股灾的的时候回测有差不多 45% 我本来想加个择时控制仓位的因子进去，但是怎么也选不好。

2.对 1 里面的问题我还有一个思路，如果用随机梯度递减的算法是不是能较快反应出市场变化呢？不过这样的话训练集似乎太少了。

3.可能会有点过拟合，但是并不会很明显，我改变参数回测了好几次，夏普比率都在 1 左右，最低也有 0.8 4.机器学习方法的通病就是逻辑性的不足，这里虽然是线性模型，也有一定这样的问题。

总之这个模型还算稳定，基本上每年都可以获得超额收益，大家可以一起讨论改进。

完整高清源代码请移步这里： https://uqer.io/community/share/5763ad63228e5b8199a55ebc

大家有什么看法都可以看过之后在下方留言讨论哟～乐意与大家尽情讨论！比心：）