机器学习驱动的基本面量化投资研究

发布时间：2025-01-15 18:29

　　 基本面量化投资是近年来金融科技和量化投资研究的新热点。作为人工智能的代表性技术,机器学习能够大幅度提高经济学和管理学中预测类研究的效果。本文系统性地运用机器学习,来提升基本面量化投资中的股票收益预测模块。基于1997年1月至2018年10月A股市场的96项异象因子,本文采用预测组合算法、Lasso回归、岭回归、弹性网络回归、偏最小二乘回归、支持向量机、梯度提升树、极端梯度提升树、集成神经网络、深度前馈网络、循环神经网络和长短期记忆网络等12种机器学习算法,构建股票收益预测模型及投资组合。实证结果显示,机器学习算法能够有效地识别异象因子—超额收益间的复杂模式,其投资策略能够获得比传统线性算法和所有单因子更好的投资绩效,基于深度前馈网络预测的多空组合最高能够获得2.78%的月度收益。本文进一步检验了因子在预测模型中的重要性,发现交易摩擦因子在A股市场具有较强的预测能力,深度前馈网络在筛选因子数据上的多空组合月度收益达到了3.41%。本文尝试将机器学习引入基本面量化投资领域,有助于促进人工智能、机器学习与经济学和管理学的交叉融合研究,为推进国家人工智能战略的有效实施提供参考。

【文章页数】：19 页

【文章目录】：
一、引言
二、文献综述
三、研究设计
    1. 模型总体设计
    2. 机器学习预测算法
    3. 数据来源与样本选取
四、实证结果与分析
    1. 机器学习驱动的基本面量化投资模型在A股市场的绩效
    2. 机器学习算法集成后的基本面量化投资模型在A股市场的绩效
    3. 考虑交易成本时的实证绩效
    4. 剔除市值因子后的模型绩效
    5. 变动滑动窗口时的绩效
五、进一步分析：异象因子的重要性
六、结论与启示
    1. 研究结论
    2. 启示与建议



本文编号：4027688