基于机器学习的多因子选股投资策略实证研究

发布时间：2023-06-02 00:25

　　在投资决策研究领域,量化选股已成为热门问题。本文的目标是应用机器学习的方法来改进传统的多因子模型,挑选出具有投资价值的股票,确定投资比例,以此构造有效的投资策略。本文选择沪深300作为基准指数,以其成分股建立基础股票池,样本数据选自2015至2020年总计351支股票。从8个类别中选取共33个常见因子构建因子库,经过因子IC检验和回归显著性检验,筛选得到18个有效因子。以复合因子IR最大化为目标来确定因子权重向量,合成各个大类下的细分因子。用DTW度量各股票序列数据的相似度,建立以每个股票为节点的复杂网络,并基于网络进行AP聚类。根据不同聚类结果,构建多因子选股模型。在确定支持向量机和随机森林算法的最优参数之后,采用了这两种方法对各类别中股票的上涨概率进行预测。根据排序结果选取聚类结果中每个类别最优的股票,作为股票持仓结果。使用Markowitz均值-方差模型来确定投资权重,进行选股结果的对比。最后利用跟踪误差与低波动异象理论对投资组合的权重进行调整,用6种方式度量跟踪误差,得到调整后的投资策略,以绩效评价指标对其进行回测。综合考虑在聚类结果中,参考度为中位数时,选股效果最好,此时聚类...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 研究内容
    1.3 论文结构安排
    1.4 论文的创新点
2 文献综述
    2.1 传统多因子模型
    2.2 与机器学习相结合的多因子模型
    2.3 指数化投资
    2.4 本章小结
3 理论基础
    3.1 多因子模型
    3.2 时间序列相似性度量
    3.3 机器学习
    3.4 跟踪误差组合投资模型
    3.5 本章小结
4 基于随机森林和SVM的多因子选股模型的构建
    4.1 样本选取与数据处理
    4.2 因子有效性检验
    4.3 动态时间规整的股票聚类分析
    4.4 基于SVM与随机森林的多因子模型
    4.5 选股效果对比
    4.6 本章小结
5 投资组合改进与优化
    5.1 跟踪误差模型
    5.2 基于低波动异象的仓位调整
    5.3 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献



本文编号：3827314