基于动量效应和机器学习评分模型的FOF基金投资策略研究

发布时间：2024-03-22 19:09

　　FOF基金凭借着在传统投资组合基础上进一步精选基金来更好地分散投资风险,自诞生以来一直受到中外投资者的关注。虽然相较于国外金融投资市场国内FOF基金的出现较晚,但是随着2016年中国证监会《公开募集证券投资基金运作指引2号——基金中的基金指引》的发布以及国内证券投资基金市场规模的不断发展壮大,最近几年FOF基金在中国发展迅速。在这种情况下,如何准确高效地从庞大的基金产品中筛选出合适的投资标的,并通过合理的投资组合方式获得稳定的投资绩效,成为了证券投资机构和普通投资者共同关注的问题。本文首先提出了一种基于机器学习的FOF基金动量效应检验方法,相较于传统方法主要考察基金过去单一的收益率指标,此方法将基金的风险收益指标作为机器学习的入模变量,通过考察机器学习动态建模预测效果来验证动量效应。为了解决动态建模中大量的数据标注需求,本文构造了一种数据自动标注方法,通过基金次月的相对业绩表现来对当月基金进行数据标注,极大的提高了标注效率。在数据的处理过程中,本文通过变量分箱和WOE编码的方法,将原始数据依概率分布进行映射,使非线性数据也表现出线性特征,在提高模型适应性的同时也为基金评分模型的构建奠定...

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    第一节 研究背景及意义
        一、研究背景
        二、研究意义
    第二节 国内外研究现状
        一、FOF基金筛选策略相关研究
        二、资产配置策略相关研究
        三、机器学习在量化投资中的应用研究
    第三节 研究内容和研究方法
        一、研究内容
        二、研究方法
    第四节 本文的创新点
第二章 相关理论
    第一节 量化投资理论
    第二节 动量效应理论
    第三节 机器学习理论
        一、逻辑回归
        二、朴素贝叶斯
        三、支持向量机
        四、决策树
        五、随机森林
        六、XGBoost
    第四节 资产配置理论
        一、等权重模型
        二、均值方差模型
        三、风险平价模型
        四、风险预算模型
    第五节 本章小结
第三章 基于机器学习的FOF基金动量效应检验
    第一节 整体设计思路
    第二节 数据来源
        一、基金池选取
        二、基金评价指标的计算
    第三节 数据预处理
        一、数据自动标注方法
        二、变量分箱
        三、WOE编码
        四、变量筛选
    第四节 基于机器学习的FOF基金动量效应检验
        一、机器学习模型评估方法
        二、动量效应检验
    第五节 本章小结
第四章 基于机器学习评分模型的FOF基金量化投资策略
    第一节 基金评分卡原理
    第二节 基于基金评卡模型的投资序列
    第三节 基金量化投资回测框架的构建
        一、现有的量化投资平台
        二、基于Python的基金量化投资回测框架
    第四节 基于评分结果的投资组合回测
        一、评分权重组合
        二、评分权重风险预算组合
        三、均值方差组合
        四、风险平价组合
    第五节 FOF基金量化投资策略能力分析
        一、资产配置能力分析
        二、策略选基能力分析
        三、仓位管理能力分析
    第六节 本章小结
第五章 结论
    第一节 研究结论
    第二节 研究不足
    第三节 研究展望
参考文献
附录 基金量化投资回测框架代码
致谢
在读期间科研成果



本文编号：3934832