深度学习在多因子选股交易中的应用研究

发布时间：2020-05-08 07:36

【摘要】：股票的价格受多种因子影响,找到并利用这些因子进行股票选择及投资策略制定,逐渐成为金融投资领域中的热点问题。但是从1990年创建以来,我国A股市场已经积累了海量的股票收益率数据及影响因子数据,难以人为进行选择处理,因此需要借助深度学习模型分析海量因子数据信息,深度挖掘股票收益率与影响因子之间线性和非线性关系,并基于分析结果构建选股交易策略,从而指导投资实践。本文首先从公司价值指标、技术指标和投资者情绪指标三个方面,界定170个明细指标,进而利用GBDT模型进行单因子选股回测,发现只有23个因子选择的股票产生大于零的收益。基于年化收益率、夏普比率等衡量指标对影响因子进行初步筛选,构建备选因子组合,并利用IC值分析方法进行因子筛选,最终构建了包括流通市值在内的19个因子形成多因子组合。结合GBDT模型,进行半年期回测交易,最终获得9.58%的年化收益率,高于同期沪深300指数收益,以及用于对比的六因子组合和八因子组合收益,且选股效果要优于随机森林模型。但是,单模型选股策略存在收益波动率较大、夏普比率偏低等问题。其次,为解决模型预测准确性不足的问题,利用LSTM模型对GBDT模型筛选出的股票池进行深度挖掘,判断股票上涨的可能性。基于双模型多因子选股策略,在半年期的选股交易中,获得31.4%的年化收益率,夏普比率为0.95。说明加入LSTM模型后,预测准确性大幅提高,股票收益率得到较大提升。但是,该策略也存在最大回撤值增加,策略风险上升的问题。最后,为降低策略风险,同时考虑到股票收益率与大盘指数之间呈现正相关关系,当大盘指数下跌时股票收益率有较大可能出现下跌的情形。因此,制定大盘风控策略,从而形成基于“多因子体系构建-股票池筛选-组合预测-风险控制”思想的完整选股交易流程。在实证研究中,LSTM对沪深300指数收益率的预测效果较好。在半年期的回测中,策略的年化收益率为30.40%,夏普比率上升到1.01,在策略收益和风险补偿方面得到较大提升,整体效果优于跟踪止损策略。
【图文】：

排序图,单因子,排序图,因子

图２－１单因子年化收益排序图逡逑来看，公司价值指标有１３个因子带来正的收益，技术指标中有８个的收益，投资者情绪指标中有２个因子带来正的收益，整体因子收益值为１８．４８％，说明大部分因子并不能长期稳定的解释股票超额收益合盈亏比均值的０．９５，可以看出大部分单因子并不能较强的解释股益来源。在当前整体股市行情低迷的情况下，尤其需要提取构建多因特征投入，深入挖掘股票收益率的变化特征，从而更好地进行股票收并基于预测结果选择股票组合进行投资。逡逑子１Ｃ值分析逡逑单因子实证表现，本文从年化收益率排序、夏普比率排序、最大回撤角度对因子进行筛选，初步选择包括流通市值因子在内的２１个因子子组合表，详见表２－４。逡逑－

因子,市值,流通市值,公司价值

股比例半年增长率和公司价值指标中的市盈率，在研究期内因子１Ｃ值波动幅度逡逑较大，１Ｃ值的均值分别为－０．０１３和０．０１９，对于股票收益率的预测效果较差，具逡逑体因子１Ｃ值见图２－２。逡逑Ａｎａｌｙｓｉｓ邋ｏｆ邋ＪＣ逡逑｜｜逦＂邋一邋ＰＵＪｔｍＪ）逡逑——ｒａｎｋ＿ｍ？ｒｉ＜？＿ｆ－ａｐ＿０逡逑逦ｔｆｉ＿ｈ0ＨＪ？ｒ＿＊ｖｆｌ＿ｐｃｔ＿６ｉｎ＿ｃｈｎｇ＿０逡逑0４逦ｆ逦￣邋ｓｈ＿ｎ0ｌｄ？ｒ＿ｍｉｍＪ）逡逑—？邋ｔａ＿ｂｂ？ｎａｓＪｏｗｒｂ？ｎ＜ｊ＿？６＿０逡逑，ｊ逦—邋ｔａ邋ｂｂａｎｄｔ邋ｍｉｄｄｌｅｂｏｎｄ邋Ｊ４邋０逡逑，ｚ逦＾逦ｖ逦，邋ｚ逡逑ｄａｔｅ逡逑图２－２因子１Ｃ值图逡逑２．２．５多因子组合确定及实证分析逡逑结合单因子实证表现和１Ｃ值分析，本文选择包括流通市值因子在内的１９个逡逑因子构建多因子组合，详见表２－６。在公司价值指标方面，本文从企业的市值、逡逑成长性、财务运营能力三个角度出发，界定包括流通市值、总市值排名、非流动逡逑资产、在建工程、一致预测未来１２个月的每股现金流、流动负债、财务费用在逡逑内的七个因子，用以衡量公司价值。其中，流通市值、总市值排名、非流动资产逡逑三个因子对企业市值进行界定
【学位授予单位】：北方工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832.51

【相似文献】