传统量化投资与AI量化投资的对比研究

发布时间：2021-02-03 06:47

　　量化投资作为一种通过数量统计、模型构建与自动化买卖来获取稳定收益的交易方式,在国外发展已趋于成熟,而在国内由于制度因素以及衍生工具的限制,还未进入到一个成熟的阶段。同时,机器学习的大热对量化投资也产生了很大的影响,AI量化应运而生并引起了争议与讨论。因此,本文对比研究了传统量化投资与AI量化投资的基本特性,旨在为量化投资决策做出指导。量化投资策略的关键在于把握市场基本面属性、股票自身趋势特征以及反转动量等因子特性。遵循以上关键理念,文章首先介绍了传统量化的基本策略与评价指标;然后,将AI算法用于量化投资的策略模型,针对特征因子进行因子分析,并将因子集合作为机器学习特征集,运用Xgboost、StockRanker、随机森林等学习模型训练历史数据,通过训练得到多因子选股模型;最后,通过市值策略来对比研究传统量化投资与AI量化投资,并评估二者在收益指标与风险指标上的基本特征。最终,从研究结果来看,传统量化与AI量化都是可取的策略模式,合理运用可以获得理想的超额收益,并且二者具有自己的投资特征,了解这些特征,有助于我们在投资过程中趋利避害,减少不必要的损失。 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

详细权益曲线示例图

14图 2-2 全部交易分布图如图，一个策略可能整体收益在零值之上，但是这种盈利是由分散的极端盈利所带来的，这就为投资者带来了较多的风险承受可能性。4）周期分析最后则是周期分析板块，一般的回测都是跨几年的结果，周期分析则可以按照不同的阶段来具体分析，保证使用这个策略在较大的概率上不会出现某一个周期内亏损严重的情况。一般分析的周期区分月周期和年周期，月周期主要考虑月平均盈利，年周期主要考虑年化收益和回撤。基于获得稳定收益的理念，我们更希望获得稳定的收益，承担更小的风险，用这两张图可以更为细致地观察这些要求是否得到了满足。

图2-3月平均盈利图

【参考文献】：
期刊论文
[1]基于K-MEANS算法选阈值的曲面拟合选基——在开放式股票型基金的运用[J]. 姚天舒,田穗.  经贸实践. 2018(22)
[2]ML-FFA:基于机器学习和基本面因子分析的量化投资策略[J]. 王云凯,蓝金辉.  时代金融. 2018(32)
[3]浅谈量化投资在期货市场中的应用[J]. 王雅琳.  知识经济. 2018(17)
[4]机器学习方法在股指期货预测中的应用研究——基于BP神经网络、SVM和XGBoost的比较分析[J]. 黄卿,谢合亮.  数学的实践与认识. 2018(08)
[5]ML-TEA:一套基于机器学习和技术分析的量化投资算法[J]. 李斌,林彦,唐闻轩.  系统工程理论与实践. 2017(05)
[6]量化投资和高频交易:风险、挑战及监管[J]. 彭志.  南方金融. 2016(10)
[7]论量化投资对中国资本市场的影响[J]. 何亚莉.  现代商贸工业. 2016(19)
[8]历史价量信息在价格发现中更有效吗?——基于中国证券市场的数据分析[J]. 张永冀,汪昌云,华晨.  中国管理科学. 2013(S1)
[9]随机森林模型在分类与回归分析中的应用[J]. 李欣海.  应用昆虫学报. 2013(04)
[10]多因子投资组合选择模型研究[J]. 王艳萍,陈志平,陈玉娜.  工程数学学报. 2012(06)

博士论文
[1]量化投资：若干金融衍生品的定价模型及投资策略研究[D]. 刘帅.上海大学 2016

硕士论文
[1]基于XGBoost算法的多因子量化选股方案策划[D]. 李想.上海师范大学 2017
[2]因子选股模型在中国市场的实证研究[D]. 刘毅.复旦大学 2012
[3]改进型动量策略的盈利性分析[D]. 郝静轩.东北财经大学 2006



本文编号：3016079