机器学习在中国A股市场的量化策略研究

发布时间：2021-03-13 19:51

　　国外量化金融领域历经几十年的发展已日趋成熟,现如今量化投资已成为主流的投资方式和研究内容之一,其在中国A股市场也得到越来越广泛的应用。近年来,在人工智能的浪潮下,各大金融机构不断将机器学习、数据挖掘等领域的技术方法应用到量化交易中,这种新的技术和方法在证券分析中也扮演着越来越重要的角色。在此背景下,本文选用多种区别于传统线性回归的机器学习分类算法,将股票选择问题视作分类问题,结合资产定价理论分析机器学习算法下多因子量化策的略表现,并依据各机器学习模型的预测结果作出评价。本文选用六大类共计35个因子指标搭建因子库,选取2004年5月至2018年12月A股市场全部上市公司的月度数据作为样本,在每个月末截面期,核算因子库中的因子作为特征数据,核算下个自然月的股票超额收益作为标签相关数据。分别使用随机梯度下降、支持向量机、朴素贝叶斯、随机森林、神经网络模型对训练集上的特征和标签数据进行学习和参数调优,利用参数调节后的模型构造多因子量化策略,并依据策略表现给出各模型的测试效果分析。通过分析基于各模型的行业中性策略预测表现,发现各机器学习模型在回撤区间内均能获得正的年化超额收益,但是各模型的回撤表... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：51 页

【学位级别】：硕士

【部分图文】：

图2.2支持向量机示意图

神经网络原理示意图

C和下的高斯核SVM模型测试集AUC值散点图

【参考文献】：
期刊论文
[1]基于市场异象的多因子定价模型比较研究[J]. 方毅,孟佶贤,曲俊雪.  数量经济研究. 2019(01)
[2]中国股票市场主要转折点的识别:基于改进的小波领袖法与逼近技术的贝叶斯法[J]. 谭政勋,黄锦东,叶诚.  中国管理科学. 2018(12)
[3]随机森林在量化选股中的应用研究[J]. 王淑燕,曹正凤,陈铭芷.  运筹与管理. 2016(03)
[4]基于随机森林方法的基金收益率方向预测与交易策略研究[J]. 方匡南,朱建平,谢邦昌.  经济经纬. 2010(02)
[5]基于支持向量机的金融市场指数追踪技术研究[J]. 杨国梁,赵社涛,徐成贤.  国际金融研究. 2009(10)
[6]基于扩展Kalman滤波的神经网络学习算法在股票预测中的应用[J]. 何芳,陈收.  系统工程. 2003(06)
[7]基于小波包和神经网络的股票价格预测模型[J]. 常松,何建敏.  中国管理科学. 2001(05)



本文编号：3080811