基于机器学习的优化股票多因子模型

发布时间：2020-11-09 04:31

　　 笔者旨在构建机器学习优化股票多因子模型,用以处理A股市场风格切换和选股问题来最终获得超额收益,首先构建因子分析模型来筛选出7个最优因子,进而构建基于机器学习的随机森林模型,通过随机森林回测某段时间的股票波动情况。该模型分别从因子表达、机器学习算法两个角度对A股市场股票的波动规律进行研究,获取最大回撤的超额收益。笔者使用公开的2016年1月1日至2018年9月30日我国A股市场的数据对算法性能进行评估。实验结果显示回测的正确率为83%,收益的平均利率约为1.57%。
【部分图文】：

选择由因子分析法所筛选出的7个指标作为优化评价因子，并利用上述7个因子构建机器学习的随机森林模型，对股票的涨跌进行预测。将2016年6月与7月的影响变量离线化数据和对应的下次周期7月和8月的涨跌情况代入模型中，对随机森林模型进行机器学习训练，根据训练之后的模型框架，将8月所需要预测的数据代入模型，使用RandomForest包中的predict命令预测9月A股市场的涨跌情况[8]，如图1所示。由回测结果统计分析可知：在本样本的100支股票中，对下月涨跌情况预测的总体精度达到83%，平均总涨幅为-3.234 17。预测将要上涨的30支股票，预测精度为73.33%，其涨跌幅均值为1.578 04，比总的平均高了4.81221。预测将要下跌的70支股票，正确的数量为61支，预测精确度达到了87.14%，其中涨跌幅均值为-5.529 55，比总平均低了2.062 38。在进行模型回测过程中，组合选择会涨的股票，所以在最后的预期超额收益为1 530.698 8万元。
【参考文献】

相关期刊论文 前2条

1 张永森;李裕川;柳福祥;;因子分析和灰色关联分析在股票综合评价上的应用[J];时代金融;2015年12期

2 蔺小林;陈壮民;;灰色关联度在股票综合评价中的应用[J];陕西科技大学学报(自然科学版);2013年06期

相关硕士学位论文 前5条

1 范晓倩;股票市场投资组合分析及其风险度量[D];兰州财经大学;2019年

2 邵雪敏;沪市A股股票收益率影响因素的实证研究[D];淮北师范大学;2019年

3 宋俊晓;中国股票市场系统性风险预警指标体系构建研究[D];天津商业大学;2019年

4 汤可欣;基于随机森林模型挖掘股权激励事件的超额收益[D];南京大学;2018年

5 袁博;熵模型在股票投资风险管理中的应用研究[D];西安建筑科技大学;2009年

【共引文献】

相关期刊论文 前2条

1 张永森;李裕川;柳福祥;;因子分析和灰色关联分析在股票综合评价上的应用[J];时代金融;2015年12期

2 卫红;蔺小林;;有关卢卡斯数列的充要条件和性质研究[J];陕西科技大学学报(自然科学版);2014年06期

相关硕士学位论文 前6条

1 沈雪燕;商品住宅结构时空演变分析[D];武汉大学;2017年

2 王心怡;基于期望效用—熵模型我国外汇储备币种结构优化研究[D];北京外国语大学;2015年

3 杨天山;CVaR风险度量投资组合模型的改进研究[D];广西大学;2015年

4 边锋;证券投资组合有利信息率风险研究[D];西安建筑科技大学;2011年

5 万应元;我国外汇储备资产结构优化的实证分析[D];四川师范大学;2011年

6 邹璐;基于普适环境的动态协同的信任评估模型的研究[D];辽宁工程技术大学;2011年

【二级参考文献】

相关期刊论文 前10条

1 蔺小林;陈壮民;;灰色关联度在股票综合评价中的应用[J];陕西科技大学学报(自然科学版);2013年06期

2 郭崇慧;贾宏峰;;基于一维搜索的ICA自适应算法及其在股票分析中的应用[J];数理统计与管理;2012年03期

3 鲁峰;黄金泉;;基于灰色关联聚类的特征提取算法[J];系统工程理论与实践;2012年04期

4 黄丽;;聚类分析方法在股票评价中的应用[J];商业会计;2011年25期

5 田民;刘思峰;卜志坤;;灰色关联度算法模型的研究综述[J];统计与决策;2008年01期

6 杨竹莘;张军涛;;区域科技创新能力的灰色关联综合评价研究[J];数学的实践与认识;2007年09期

7 胡燕京,刘永乐;因子分析在医药上市公司绩效评价中的应用[J];安徽商贸职业技术学院学报(社会科学版);2005年02期

8 罗党,刘思峰;灰色关联决策方法研究[J];中国管理科学;2005年01期

9 王学民;因子分析在股票评价中的应用[J];数理统计与管理;2004年03期

10 周斌;由灰色关联度确定权重的客观多目标决策法[J];昆明理工大学学报(理工版);2003年05期

相关硕士学位论文 前10条

1 崔津梓;我国货币政策对股票价格影响研究[D];河南大学;2017年

2 沈辛禹;2008年与2015年两次“股灾”的原因比较研究[D];河北经贸大学;2017年

3 朱培臻;股权激励对我国上市公司绩效及股价的影响[D];华东政法大学;2016年

4 张晓飞;股权激励对上市公司股价影响的分析及相应投资策略的优化[D];首都经济贸易大学;2016年

5 张宇凡;影响我国股票收益率的多因素动态分析[D];首都经济贸易大学;2016年

6 赵清清;因子增强分位数回归模型及其在股市中的应用[D];浙江工商大学;2015年

7 段吉超;中国股票市场系统性风险控制研究[D];东北农业大学;2015年

8 许丽萍;股票换手率与收益率关系的实证研究[D];苏州大学;2015年

9 姚婷;股票价格的宏观影响因素分析及预测[D];安徽财经大学;2014年

10 全基哲;中国股市系统性风险程度与影响因素研究[D];新疆财经大学;2014年

【相似文献】

相关期刊论文 前10条

1 李兴有;;神经网络与多因子模型在量化投资领域的对比分析[J];市场论坛;2018年08期

2 汪荣贵;张佑生;高隽;彭青松;;从确信因子模型到Bayes网络[J];计算机科学;2004年10期

3 来学伟;;独立分量分析在线性因子模型中的应用[J];电脑迷;2018年11期

4 王智;;基于机器学习对优质股的选择[J];电子制作;2018年07期

5 蔡清权;马雲匀;李金妹;;基于机器学习的股票超额收益预测模型[J];信息系统工程;2019年09期

6 黄双燕;杨辽;陈曦;姚远;;机器学习法的干旱区典型农作物分类[J];光谱学与光谱分析;2018年10期

7 刘海滨;;历史工单分析研判与(资产)智能维护的探索[J];信息通信技术与政策;2019年02期

8 王鹏;;大数据插上机器学习翅膀 为5G提供新燃料[J];通信世界;2019年31期

9 李兵;林文钊;罗峥尹;;基于机器学习的智慧农业决策系统设计与实现[J];信息与电脑(理论版);2018年24期

10 舒娜;刘波;林伟伟;李鹏飞;;分布式机器学习平台与算法综述[J];计算机科学;2019年03期

相关博士学位论文 前10条

1 殷曦;基于机器学习及统计计算模型的膜蛋白结构预测[D];上海交通大学;2017年

2 杨静;蛋白质残基相互作用预测及其在结构建模中的应用研究[D];上海交通大学;2018年

3 王磊;基于机器学习的药物—靶标相互作用预测研究[D];中国矿业大学;2018年

4 郝小可;基于机器学习的影像遗传学分析及其应用研究[D];南京航空航天大学;2017年

5 施建明;基于机器学习的产品剩余寿命预测方法研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年

6 陈再毅;机器学习中的一阶优化算法收敛性研究[D];中国科学技术大学;2018年

7 戴望州;一阶逻辑领域知识与机器学习的结合研究[D];南京大学;2019年

8 梁霄;机器学习在量子物理学中的应用[D];中国科学技术大学;2019年

9 陈明哲;未来蜂窝网络中基于机器学习的资源管理技术研究[D];北京邮电大学;2019年

10 程嵩;基于张量网络的机器学习模型[D];中国科学院大学(中国科学院物理研究所);2019年

相关硕士学位论文 前10条

1 杨志鹏;强个体效应因子模型ER方法的机器学习改进[D];浙江工商大学;2017年

2 杨逍;机器学习中隐式因子模型及其优化算法研究[D];哈尔滨工业大学;2013年

3 华琪;基于机器学习的智能建筑行为建模与预测方法研究[D];上海交通大学;2017年

4 杨浩;基于机器学习的白带菌类光学图像识别算法研究[D];电子科技大学;2019年

5 徐安;基于机器学习的慢性疾病预测关键技术研究[D];电子科技大学;2019年

6 宋同峰;基于机器学习的肾病辅助诊断系统的研究[D];青岛科技大学;2019年

7 王婧;基于核机器学习的阿尔兹海默病早期诊断算法研究[D];曲阜师范大学;2019年

8 马小凤;机器学习在学生通过率预测中的应用研究[D];西南大学;2019年

9 黄雨迪;基于机器学习的MIMO系统收发机设计理论与方法[D];电子科技大学;2019年

10 应豪;基于机器学习的光纤信道均衡技术研究[D];电子科技大学;2019年

本文编号：2875892