基于行业轮动的随机森林多因子选股策略研究
发布时间：2021-02-15 13:51
量化投资凭借其非凡不俗的业绩表现,逐渐进入广大投资者的视野,在过去的40年里颠覆了传统的投资哲学,被誉为“投资界的革命”。随着计算机技术的高速发展,该模式得到了更加迅速的进步和发展。许多把量化策略作为主要投资技术的资产管理公司已经成为同行中的佼佼者,这也说明了量化投资理念已经深入人心,量化投资技术渐渐成为主要的投资方法之一,研究新的量化投资方式和挖掘新的建模思路对量化投资的发展意义重大。本文构建了多因子选股模型,在构建多因子选股模型之前,利用行业轮动策略进行股票池的初步筛选,增强模型的选股性能,并采用沪深300指数成分股数据进行实证分析。本文在以下几个方面进行优化:一是在因子选择上,收集基本面、政策面、市场面等多方面对股票波动存在可能影响的因子,包括技术类、动量类、财务质量类、价值类、成长类以及分析师情绪类因子,分析师情绪因子主要反映分析师对各个上市公司的信用评价及盈利预期,如综合评级,每股预期收益等。二是在构建行业轮动策略时,在分析投资时钟轮动的理论基础上,首先通过计量模型研究投资时钟在行业配置中的可行性,然后通过历史数据统计检验考察投资时钟在我国股市行业配置中应用效果。三是在构建多...
【文章来源】：上海师范大学上海市
【文章页数】：54 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景
1.2 研究目的与意义
1.3 研究内容、方法与技术路线
1.3.1 研究内容
1.3.2 研究方法
1.3.3 技术路线
1.4 本文的主要特点与不足
第2章 文献综述与相关理论
2.1 文献综述
2.1.1 行业轮动
2.1.2 量化投资模型
2.1.3 多因子模型
2.1.4 文献评述
2.2 相关理论
2.2.1 行业轮动相关理论
2.2.2 量化投资相关理论
2.2.3 随机森林相关理论
第3章 多因子选股问题的分析与交易策略的构思
3.1 量化投资的发展与现状问题分析
3.2 主要量化选股模型
3.2.1 支持向量与随机森林算法介绍
3.2.2 支持向量机与随机森林的优缺点比较
3.3 传统多因子模型的问题与交易策略的改进思路
3.3.1 传统多因子选股问题及改进
3.3.2 交易策略设计改进思路
第4章 基于行业轮动策略的多因子选股方案设计
4.1 方案设计的思路
4.2 数据的获取与预处理
4.2.1 数据获取
4.2.2 因子的选择
4.2.3 数据预处理
4.3 行业轮动策略的构建
4.3.1 经济周期的划分
4.3.2 行业轮动配置
4.4 行业轮动检验与分析
4.4.1 行业指数与经济周期的关系
4.4.2 对行业指数进行轮动配置的分析
4.5 多因子选股模型的构建
4.5.1 模型构建思路
4.5.2 随机森林超参数优化
4.6 方案设计总结
第5章 交易策略方案的有效性评价
5.1 基于行业轮动的选股方案合理性检验
5.2 与单一的多因子选股模型对比
5.2.1 因子与模型选取
5.2.2 模型效果对比
第6章 结论与展望
6.1 结论
6.2 后续研究
参考文献
致谢
【参考文献】：
期刊论文
[1]支持向量机在多因子选股的预测优化[J]. 张伟楠,鲁统宇,孙建明. 电子技术应用. 2019(09)
[2]机器学习驱动的基本面量化投资研究[J]. 李斌,邵新月,李玥阳. 中国工业经济. 2019(08)
[3]基于GARCH-CoVaR方法的中国A股行业关联网络风险溢出动态研究[J]. 陈暮紫,魏纯,谢豪,李楠. 金融经济学研究. 2019(04)
[4]基于沪深300指数股票的多因子模型研究[J]. 王婧橦,周生彬,王玉文. 哈尔滨师范大学自然科学学报. 2019(02)
[5]基于随机森林的支持向量机量化选股[J]. 贾秀娟. 区域金融研究. 2019(01)
[6]行业配置与基金业绩:基于行业集中度和行业活跃度的研究[J]. 张学勇,吴雨玲,陈锐. 数理统计与管理. 2018(03)
[7]机器学习方法在股指期货预测中的应用研究——基于BP神经网络、SVM和XGBoost的比较分析[J]. 黄卿,谢合亮. 数学的实践与认识. 2018(08)
[8]我国股票市场的行业轮动性分析[J]. 张羽乔. 中国商论. 2017(32)
[9]基于递归特征消除方法的随机森林算法[J]. 吴辰文,梁靖涵,王伟,李长生. 统计与决策. 2017(21)
[10]基于随机森林的企业信用风险评估模型研究[J]. 赵亚,李田,苑泽明. 财会通讯. 2017(29)
硕士论文
[1]基于机器学习的股市行业轮动量化投资策略研究[D]. 杨磊.华侨大学 2019
[2]基于深度学习的多因子股票价格预测方法研究[D]. 裴大卫.中国科学技术大学 2019
[3]随机森林自适应特征选择和参数优化算法研究[D]. 刘凯.长春工业大学 2018
[4]我国股票市场行业动量效应及其投资策略优化的实证研究[D]. 向英铧.重庆工商大学 2017
[5]基于随机森林的指数化投资组合构建研究[D]. 韩燕龙.华南理工大学 2015
本文编号：3034963
【文章来源】：上海师范大学上海市
【文章页数】：54 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景
1.2 研究目的与意义
1.3 研究内容、方法与技术路线
1.3.1 研究内容
1.3.2 研究方法
1.3.3 技术路线
1.4 本文的主要特点与不足
第2章 文献综述与相关理论
2.1 文献综述
2.1.1 行业轮动
2.1.2 量化投资模型
2.1.3 多因子模型
2.1.4 文献评述
2.2 相关理论
2.2.1 行业轮动相关理论
2.2.2 量化投资相关理论
2.2.3 随机森林相关理论
第3章 多因子选股问题的分析与交易策略的构思
3.1 量化投资的发展与现状问题分析
3.2 主要量化选股模型
3.2.1 支持向量与随机森林算法介绍
3.2.2 支持向量机与随机森林的优缺点比较
3.3 传统多因子模型的问题与交易策略的改进思路
3.3.1 传统多因子选股问题及改进
3.3.2 交易策略设计改进思路
第4章 基于行业轮动策略的多因子选股方案设计
4.1 方案设计的思路
4.2 数据的获取与预处理
4.2.1 数据获取
4.2.2 因子的选择
4.2.3 数据预处理
4.3 行业轮动策略的构建
4.3.1 经济周期的划分
4.3.2 行业轮动配置
4.4 行业轮动检验与分析
4.4.1 行业指数与经济周期的关系
4.4.2 对行业指数进行轮动配置的分析
4.5 多因子选股模型的构建
4.5.1 模型构建思路
4.5.2 随机森林超参数优化
4.6 方案设计总结
第5章 交易策略方案的有效性评价
5.1 基于行业轮动的选股方案合理性检验
5.2 与单一的多因子选股模型对比
5.2.1 因子与模型选取
5.2.2 模型效果对比
第6章 结论与展望
6.1 结论
6.2 后续研究
参考文献
致谢
【参考文献】：
期刊论文
[1]支持向量机在多因子选股的预测优化[J]. 张伟楠,鲁统宇,孙建明. 电子技术应用. 2019(09)
[2]机器学习驱动的基本面量化投资研究[J]. 李斌,邵新月,李玥阳. 中国工业经济. 2019(08)
[3]基于GARCH-CoVaR方法的中国A股行业关联网络风险溢出动态研究[J]. 陈暮紫,魏纯,谢豪,李楠. 金融经济学研究. 2019(04)
[4]基于沪深300指数股票的多因子模型研究[J]. 王婧橦,周生彬,王玉文. 哈尔滨师范大学自然科学学报. 2019(02)
[5]基于随机森林的支持向量机量化选股[J]. 贾秀娟. 区域金融研究. 2019(01)
[6]行业配置与基金业绩:基于行业集中度和行业活跃度的研究[J]. 张学勇,吴雨玲,陈锐. 数理统计与管理. 2018(03)
[7]机器学习方法在股指期货预测中的应用研究——基于BP神经网络、SVM和XGBoost的比较分析[J]. 黄卿,谢合亮. 数学的实践与认识. 2018(08)
[8]我国股票市场的行业轮动性分析[J]. 张羽乔. 中国商论. 2017(32)
[9]基于递归特征消除方法的随机森林算法[J]. 吴辰文,梁靖涵,王伟,李长生. 统计与决策. 2017(21)
[10]基于随机森林的企业信用风险评估模型研究[J]. 赵亚,李田,苑泽明. 财会通讯. 2017(29)
硕士论文
[1]基于机器学习的股市行业轮动量化投资策略研究[D]. 杨磊.华侨大学 2019
[2]基于深度学习的多因子股票价格预测方法研究[D]. 裴大卫.中国科学技术大学 2019
[3]随机森林自适应特征选择和参数优化算法研究[D]. 刘凯.长春工业大学 2018
[4]我国股票市场行业动量效应及其投资策略优化的实证研究[D]. 向英铧.重庆工商大学 2017
[5]基于随机森林的指数化投资组合构建研究[D]. 韩燕龙.华南理工大学 2015
本文编号：3034963
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3034963.html
