基于朴素贝叶斯、线性判别、二次判别分类算法的选股实证研究

发布时间：2022-02-24 01:02

　　本文基于朴素贝叶斯分类算法、线性判别分类算法、二次判别分类算法进行选股实证研究,为广大投资者提供一种投资决策建议,具有现实的研究意义。本文详细介绍了朴素贝叶斯,线性判别分析,二次判别分析用于分类的原理,算法优缺点、步骤及具体处理细节,并将其运用于多因子选股实证。朴素贝叶斯假定各个因子间相互独立,但实际上,实际因子数据很难满足这样严苛的假设,这会导致模型估不准。一开始我们采用了主成分分析对实际因子进行转换,但是效果并不令人满意。因此我们提出了不要求因子间相互独立的线性判别和二次判别分类算法。线性判别假设各类别的方差相同,为总体方差,二次判别假设各类别方差不同。针对线性判别和二次判别分类算法,本文采用Ledoit-Wolf方差缩减法对协方差矩阵的估计值进行了缩减以提高模型性能。本文选取了沪深300作为股票池,选取了估值、成长、财务质量、杠杆、市值、动量反转、波动率、股价、Beta、换手率、情绪、股东、技术13大类39个因子暴露度作为样本的原始特征,对训练集月收益率进行标签化,采用滚动训练集,选取最长训练期进行做多,做空,多空三种策略回测,并选取沪深300作为基准组合进行对照。本文选取了正确... 

【文章来源】：山东大学山东省211工程院校985工程院校教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
    1.1 研究背景
    1.2 人工智能简介
    1.3 研究目的和意义
    1.4 文献综述
    1.5 本文思路
    1.6 论文创新点
第二章 人工智能选股基础理论
    2.1 量化投资基础理论
    2.2 资本资产定价模型
    2.3 多因素模型
第三章 数据收集及预处理
    3.1 股票池
    3.2 备选因子池
    3.3 因子和标签提取
    3.4 数据清洗
        3.4.1 缺失值处理
        3.4.2 异常值处理
    3.5 特征预处理
        3.5.1 无纲量化
        3.5.2 行业市值中性化
        3.5.3 分布调整
    3.6 因子挑选方法
    3.7 分类模型评价指标
        3.7.1 正确率
        3.7.2 ROC曲线和AUC
    3.8 策略指标评价体系
        3.8.1 年化超额收益率
        3.8.2 年化超额波动率
        3.8.3 信息比率
        3.8.4 最大回撤
第四章 朴素贝叶斯分类算法
    4.1 朴素贝叶斯分类算法原理
    4.2 朴素贝叶斯分类算法优缺点
        4.2.1 朴素贝叶斯分类算法优点
        4.2.2 朴素贝叶斯分类算法缺点
    4.3 朴素贝叶斯分类算法应用于选股
    4.4 朴素贝叶斯算法步骤
    4.5 朴素贝叶斯算法具体处理
        4.5.1 贝叶斯估计法
        4.5.2 下溢出问题
第五章 线性判别分类算法
    5.1 线性判别分类算法原理
    5.2 线性判别分析法步骤
    5.3 Ledoit-Wolf方差缩减法
        5.3.1 样本协方差估计中存在的问题
        5.3.2 协方差估计的改进思路
第六章 二次判别分类算法
    6.1 二次判别分类算法原理
    6.2 二次判别分类算法步骤
第七章 实证分析
    7.1 标签生成
    7.2 训练集生成
        7.2.1 交叉验证集
        7.2.2 滚动训练集
    7.3 训练期选择
    7.4 因子选择
    7.5 分类器比较
    7.6 多策略回测
第八章 结论及展望
    8.1 实证结论
        8.1.1 线性判别分类模型总体表现优于逻辑回归
        8.1.2 线性判别分类模型总体表现优于其他分类模型
        8.1.3 标签化有利于模型效果提升
    8.2 展望
        8.2.1 论文不足之处
        8.2.2 展望
附录
参考文献
致谢
学位论文评阅及答辩情况表


【参考文献】：
期刊论文
[1]用朴素贝叶斯分类法选股[J]. 钱颖能,胡运发.  计算机应用与软件. 2007(06)



本文编号：3641652