基于PCANet的价值成长多因子选股模型

发布时间：2021-04-10 11:32

　　作为量化投资程序中的重要组成部分,量化多因子选股模型是通过历史金融数据建模来预测股票收益,该模型中引入了包括深度学习在内的众多机器学习方法。文中则首次探究了PCANet这样一种深度架构在量化选股中的应用。具体来说,该框架一方面将金融时序数据转换为二维图像数据,从而将金融时间序列预测问题转变为图像分类问题;另一方面将PCA应用于深度架构,充分发挥其能力,同时提供了金融行业可以理解和反馈的可解释性。两年的实际数据回测表明,该方法获得了57.17%的夏普比率、16.84%的超额收益以及-18.14%的最大回撤。相比传统的线性回归模型和深度学习的CNN模型,所提基于PCANet的价值成长多因子选股模型获得了更高的超额收益和夏普比率,同时保持了继承于PCA的特征提取的解释性。

【文章来源】：计算机科学. 2020,47(S2)北大核心CSCD

【文章页数】：4 页

【部分图文】：