在量化交易领域,有无数种策略,他们或是基于某种经济学模型、或是基于某种心理学理论更或者是基于直觉。这些策略对某一些股票有效,对另一部分股票无效,那么如何知道某个策略对于何种股票是有效的呢?这便是本文的核心。开发完一种策略后,人们回测的时候往往选择指数、小市值股票或是某个概念池中的股票。广泛使用的Brinson归因分析方法可以将收益率分解为基准收益、选股收益、资产配置收益和交互收益,但是并没有进行真正的归因分析。传统的因子选股通过观察因子与收益率的关系选择股票,这给予我们一个启发,即可以通过观察因子与策略收益率的关系来判断一个策略所适用的股票的特征。例如将股票按照市值因子分为两组,然后回测某个策略,对比这两组的策略收益率即可。这种方法虽然直观,但是却繁琐且不系统,而且只能观测到直观的线性关系。机器学习领域中的有监督学习为解决这个问题提供了新的方法。本文使用基于决策树的XGBoost模型,通过构造有监督学习的方法,验证策略所适用的股票的特征。此外,这种方法还能得出因子的重要性排名,并且广泛地适用于其他量化策略,可以对因子进行系统地分析。本文选用了双均线策略、网格策略、RSRS策略这三种具有代表性的策略,具体的方法是对中国全部A股回测一遍策略,得到中国全部A股在该策略的收益率。然后将股票按照收益率排序,选择收益率最好和最差的股票打上正负标签进行二分类有监督学习,最后选择重要性排名靠前的因子进行进一步可视化分析。在双均线策略的研究中,发现调仓方法对于收益率有很大的影响,基于风险管理的角度选择了梯度调仓方法。最重要的前6个因子分别为残差波动因子、14日均幅指标、60日收益方差、市值因子、20日资金流量和市净率因子。对网格策略中广泛流行的三档网格策略回测后,发现其收益率分布不符合预期,于是更改为五档网格策略。最重要的前6个因子分别是市值因子、60日平均换手率、20日成交金额的移动平均值、120日移动均线、10日终极指标TRIX和市净率因子。RSRS策略中研究了18种不同的参数组合,与双均线策略对比发现,在最重要的前6个因子中,RSRS策略与双均线策略有三个共同的因子,而RSRS策略与双均线策略都是趋势跟踪类策略,这启示我们某些因子对于某个大类的策略可能具有广泛的解释性。