用Stacking算法堆积随机森林、GBDT、SVM、Adaboost等七种算法的多因子选股模型

发布时间：2020-04-16 01:29

【摘要】：本文介绍了一种量化投资策略,该量化投资策略使用Stacking等七种机器学习的算法来选择应该投资的股票。本文使用的Stacking算法是一种集成算法,在该算法中集成了随机森林、GBDT、SVM、Adaboost、K邻近、决策树这六个算法,算上用来集成这些算法的Stacking算法,共计七个算法。本文用集成起来的这七个算法来做分类,训练算法时需要输入带有标签的数据。在以后的预测中,输入样本就可以对该样本进行分类。本文所采用的股票池是沪深300的成分股,我们选取这些股票的若干个因子作为特征,然后把该股票的月收益率作为标签,由于收益率是连续值,所以我们把月收益率大于15%的标记为+1,即可以买入的,反之标记为-1,不考虑买入。准备好训练集数据后,我们训练Stacking模型。训练好后,把下个月的因子值代入,得到预测结果,选择可以买入的股票,一个月后再次用该模型进行预测,对于可以买入的股票,若之前已经持有则继续持有,若没有则买入,已买入但不在当前可以买入的股票集合中,则卖出。在本文中用2017年5月份的因子值和6月份的收益来作为训练集训练模型,然后在2017年7月初至2018年1月底这段时间进行回测,调仓频率是20个交易日,大致相当于每月调仓一次。回测结果表明该策略的收益还是很好的。
【学位授予单位】：浙江工商大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F832.51

【参考文献】

相关期刊论文 前10条

1 王黎;廖闻剑;;基于GBDT的个人信用评估方法[J];电子设计工程;2017年15期

2 蒋翠清;梁坤;丁勇;段锐;;基于改进Adaboost的信用评价方法[J];运筹与管理;2017年02期

3 郑凯文;杨超;;基于迭代决策树(GBDT)短期负荷预测研究[J];贵州电力技术;2017年02期

4 赵刚;杨必胜;;基于Gradient Boosting的车载LiDAR点云分类[J];地理信息世界;2016年03期

5 周星;丁立新;万润泽;葛强;;分类器集成算法研究[J];武汉大学学报(理学版);2015年06期

6 毕凯;王晓丹;姚旭;周进登;;一种基于Bagging和混淆矩阵的自适应选择性集成[J];电子学报;2014年04期

7 姚明海;赵连朋;刘维学;;基于特征选择的Bagging分类算法研究[J];计算机技术与发展;2014年04期

8 叶圣永;王晓茹;刘志刚;钱清泉;;基于Stacking元学习策略的电力系统暂态稳定评估[J];电力系统保护与控制;2011年06期

9 汤志康;王伟智;谈蔚欣;;基于Bagging的交通拥堵预测研究[J];集美大学学报(自然科学版);2006年02期

10 韦艳艳;李陶深;;一种基于投票的Stacking方法[J];计算机工程;2006年07期

相关硕士学位论文 前4条

1 何晨阳;KNN算法在矿井水源识别中的应用[D];安徽理工大学;2017年

2 魏妹金;支持向量机多因子选股模型[D];华侨大学;2015年

3 李子睿;量化投资交易策略研究[D];天津大学;2013年

4 陈爽爽;基于Gradient Boosting算法的癫痫检测[D];山东大学;2013年

，

本文编号：2629234