基于Boosting＿FM的多因子量化选股模型

发布时间：2024-02-24 08:33

　　大数据时代,基于一些数学与统计方法的研究带动了很多产业的发展,量化投资就是之一,其是将一些定量的方法应用到传统的金融股票市场,借助计算机强大的计算能力和一些算法的超强学习能力来辅助投资者做出投资决策,为投资者规避风险、获得超额收益。量化选股是量化投资的具体形式之一,其比较重要的两部分是如何量化(即构建因子)和如何选股(即选择哪几支股票),本文主要关注如何选股。对于因子构建环节,考虑到因子的短暂有效特征与在选股部分所建每一期模型也会对因子进行筛选和替换,所以本文采取了现有研究中比较有效的36个因子。在选股部分,本文创造性地将常用于推荐系统的因子分解机模型(FM)引入了量化选股之中,构建了基于Boosting＿FM的模型,即先采取Boosting对因子特征进行筛选,再将所得特征进行one-hot编码,进而输入后续的FM模型。从而可以借助Boosting模型在特征筛选上的优点与FM在处理高维稀疏数据的能力,对股票数据进行建模预测。在模型回测部分,通过将Boosting＿FM与其本身的Boosting模型进行风险收益、分类性能比较发现,Boosting＿FM模型比单独的Boosting模型效果...

【文章页数】：52 页

【学位级别】：硕士

【部分图文】：

图1.1研究框架图

重庆大学硕士学位论文5实证分析及模型优化275实证分析及模型优化5.1Boosting_FM模型与原模型的回测组合比较5.1.1收益及风险分析为了直观展示Boosting_FM模型在多因子量化选股应用上是否有实质性的提升，本节选取Boosting中的XGBoost和LGBM模型，....

图2.1集成学习模型

重庆大学硕士学位论文5实证分析及模型优化325.2Boosting_FM模型与其他模型的回测组合比较5.2.1收益及风险分析由上节内容可以知道，Boosting_FM模型在与Boosting本身进行对比时显示出了明显的优势，在回测结果上取得了不错的收益，然而仅仅是模型自身与基准指....

图2.2FM模型结构

重庆大学硕士学位论文5实证分析及模型优化355.3策略优化5.3.1滚动周期对比在传统的机器学习应用中，训练数据越多，越可以让模型得到充分训练，在预测的时候也可以更加准确，尤其在深度学习模型中，如果数据较少可能会导致模型学习不足，预测出现欠拟合的情况。但是股票市场上，过于久远的数....

图2.3BoostingFM模型结构

本文编号：3908715