基于时变加权LightGBM的多因子选股交易策略设计
发布时间：2022-02-18 14:32
近些年,随着科技的发展,计算机性能显著提升,由此带来了金融量化投资与机器学习领域的高速发展,各种交易策略大量涌现。交易策略立足于量化投资,由数量化的方法和计算机程序相结合,是一种主动型投资管理,量化投资以其高效性、低错误率深受投资者偏爱,主要包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利等,其中又以量化选股最为流行。因此,如何设计一个可以获得超额收益率的量化选股策略,是当前投资者们关注的重点。本文研究的内容从因子的角度进行切入,意在通过有效因子的构建,进而搭建选股模型,设计交易策略,最终获取超额收益。实证过程中本文构建了基于时变加权LightGBM的多因子选股模型,选取中证500成份股2011年1月至2019年12月每月月初第一个交易日的因子数据作为数据样本,先从个股日内的高频数据出发,构建高频因子指标:RVolt、RSkewt、RKurtt,对其进行检验分析,得出有效高频因子:RSkewt,并以此因子的大小为依据,筛选中证500,得到每期的股票池,接着建立全市场低频因子库并验证其有效...
【文章来源】：上海师范大学上海市
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究的背景
1.2 研究的目的与意义
1.2.1 研究目的
1.2.2 研究意义
1.3 研究的内容、方法和技术路线
1.3.1 研究内容与方法
1.3.2 研究技术路线
1.4 本文主要特点
第2章 相关理论回顾与文献综述
2.1 相关理论回顾
2.1.1 投资组合理论
2.1.2 资本资产定价理论
2.1.3 套利定价理论
2.1.4 LightGBM模型
2.2 相关文献综述
2.2.1 多因子选股研究现状
2.2.2 机器学习在金融领域研究现状
2.2.3 文献总结
第3章 多因子选股问题的分析与交易策略的构思
3.1 多因子选股问题的提出与分析
3.2 多因子选股交易策略设计的理论框架
3.3 多因子选股交易策略设计的思路
第4章 时变加权多因子选股交易策略设计方案
4.1 高频因子的构建
4.1.1 高频因子特征分析
4.1.2 股票池筛选
4.2 低频因子库的构建与筛选
4.2.1 低频因子有效性识别方法
4.2.2 低频因子有效性验证与筛选
4.3 数据处理
4.3.1 异常值处理
4.3.2 缺失值处理与其它处理
4.4 基于时变加权LightGBM模型构建
4.4.1 因子权重的设定
4.4.2 时变加权模型构建
4.5 交易策略有效性评价指标
第5章 交易策略有效性评价
5.1 交易策略方案的有效性评价
5.1.1 等因子权重策略有效性评价
5.1.2 时变加权策略有效性评价
5.1.3 策略对比
5.2 交易策略方案的风险提示
第6章 结论
6.1 本文主要结论
6.2 不足与展望
参考文献
附录
致谢
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]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)
[2]基于沪深300成分股的量化投资策略研究[J]. 吕凯晨,闫宏飞,陈翀. 广西师范大学学报(自然科学版). 2019(01)
[3]基于价值投资的多因子定价模型在中国资本市场的实证研究[J]. 干伟明,张涤新. 经济经纬. 2018(04)
[4]基于LightGBM算法的P2P项目信用评级模型的设计及应用[J]. 马晓君,沙靖岚,牛雪琪. 数量经济技术经济研究. 2018(05)
[5]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)
[6]基于沪深300成份股的多因子量化选股策略研究[J]. 苏靖宇,方宏彬. 福建商学院学报. 2018(01)
[7]基于多因子选股的半监督核聚类算法改进研究[J]. 李文星,李俊琪. 统计与信息论坛. 2018(03)
[8]多因子量化模型在投资组合中的应用——基于LASSO与Elastic Net的比较研究[J]. 谢合亮,胡迪. 统计与信息论坛. 2017(10)
[9]ML-TEA:一套基于机器学习和技术分析的量化投资算法[J]. 李斌,林彦,唐闻轩. 系统工程理论与实践. 2017(05)
[10]Fama-French五因子模型比三因子模型更胜一筹吗——来自中国A股市场的经验证据[J]. 赵胜民,闫红蕾,张凯. 南开经济研究. 2016(02)
本文编号：3631008
【文章来源】：上海师范大学上海市
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究的背景
1.2 研究的目的与意义
1.2.1 研究目的
1.2.2 研究意义
1.3 研究的内容、方法和技术路线
1.3.1 研究内容与方法
1.3.2 研究技术路线
1.4 本文主要特点
第2章 相关理论回顾与文献综述
2.1 相关理论回顾
2.1.1 投资组合理论
2.1.2 资本资产定价理论
2.1.3 套利定价理论
2.1.4 LightGBM模型
2.2 相关文献综述
2.2.1 多因子选股研究现状
2.2.2 机器学习在金融领域研究现状
2.2.3 文献总结
第3章 多因子选股问题的分析与交易策略的构思
3.1 多因子选股问题的提出与分析
3.2 多因子选股交易策略设计的理论框架
3.3 多因子选股交易策略设计的思路
第4章 时变加权多因子选股交易策略设计方案
4.1 高频因子的构建
4.1.1 高频因子特征分析
4.1.2 股票池筛选
4.2 低频因子库的构建与筛选
4.2.1 低频因子有效性识别方法
4.2.2 低频因子有效性验证与筛选
4.3 数据处理
4.3.1 异常值处理
4.3.2 缺失值处理与其它处理
4.4 基于时变加权LightGBM模型构建
4.4.1 因子权重的设定
4.4.2 时变加权模型构建
4.5 交易策略有效性评价指标
第5章 交易策略有效性评价
5.1 交易策略方案的有效性评价
5.1.1 等因子权重策略有效性评价
5.1.2 时变加权策略有效性评价
5.1.3 策略对比
5.2 交易策略方案的风险提示
第6章 结论
6.1 本文主要结论
6.2 不足与展望
参考文献
附录
致谢
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]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)
[2]基于沪深300成分股的量化投资策略研究[J]. 吕凯晨,闫宏飞,陈翀. 广西师范大学学报(自然科学版). 2019(01)
[3]基于价值投资的多因子定价模型在中国资本市场的实证研究[J]. 干伟明,张涤新. 经济经纬. 2018(04)
[4]基于LightGBM算法的P2P项目信用评级模型的设计及应用[J]. 马晓君,沙靖岚,牛雪琪. 数量经济技术经济研究. 2018(05)
[5]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)
[6]基于沪深300成份股的多因子量化选股策略研究[J]. 苏靖宇,方宏彬. 福建商学院学报. 2018(01)
[7]基于多因子选股的半监督核聚类算法改进研究[J]. 李文星,李俊琪. 统计与信息论坛. 2018(03)
[8]多因子量化模型在投资组合中的应用——基于LASSO与Elastic Net的比较研究[J]. 谢合亮,胡迪. 统计与信息论坛. 2017(10)
[9]ML-TEA:一套基于机器学习和技术分析的量化投资算法[J]. 李斌,林彦,唐闻轩. 系统工程理论与实践. 2017(05)
[10]Fama-French五因子模型比三因子模型更胜一筹吗——来自中国A股市场的经验证据[J]. 赵胜民,闫红蕾,张凯. 南开经济研究. 2016(02)
本文编号：3631008
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3631008.html
