量化投资选股模型的研究与应用

发布时间：2023-05-22 02:04

　　量化投资是利用数学模型和计算机程序来预测股票价格的走势,由于其自身的客观性,快速性,纪律性等优点越来越受投资者的钟爱。而且在未完全成熟的中国市场,市场信息不对称和市场失灵现象较多,同时大部分投资者的投资理念相对落后,投资水平也是参差不齐。因此,量化投资模型的研究对于国家经济宏观政策的调整和个人投资都有重要的指导意义。股票价格走势的预测问题可以作为分类回归问题来研究,而解决分类回归问题在机器学习算法领域已经有不错的解决方法。本文受启发于XGBoost算法在各种数据挖掘比赛中的大放异彩,同时在现有的量化投资选股模型的研究上,考虑到有的选股特征因子包含的信息量可能很少,但它又有部分特别关键的信息,如果直接用XGBoost算法模型,可能在做特征分裂的时候会忽略掉这些因子。并且特征因子之间是有相关性的,信息也是有重复的。考虑到上诉问题,本文加入主成分分析方法(PCA)对XGBoost算法进行改进,将PCA算法与XGBoost算法相结合构成新的P-XGBoost算法模型,新的P-XGboost模型在综合特征选股因子的主要信息的同时,也能降低特征因子维度。同时,基于P-XGBoost模型本身的算法特...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 引言
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 本文研究内容与方法
    1.4 本文的创新
    1.5 本文章节安排
    本章小结
第二章 量化投资的相关知识
    2.1 量化投资的发展
    2.2 量化投资常用方法
    2.3 量化投资选股存在的问题
    本章小结
第三章 P-XGBoost算法模型理论
    3.1 主成分分析方法(PCA)
        3.1.1 PCA的降维
        3.1.2 PCA的方差最大化
        3.1.3 PCA的算法过程
    3.2 决策树
        3.2.1 决策树概论
        3.2.2 CART决策树
    3.3 XGBoost算法
        3.3.1 Boosting思想
        3.3.2 目标损失函数
        3.3.3 求解
        3.3.4 CART树的学习过程
    3.4 P-XGBoost模型在股市的优点
    本章小结
第四章 P-XGBoost模型在选股中的应用
    4.1 股票因子的选取
    4.2 数据的预处理
    4.3 P-XGBoost模型的训练
        4.3.1 模型的评估
        4.3.2 模型的训练
    本章小结
第五章 P-XGBoost模型的选股表现
    5.1 量化选股中的风险收益评估指标
    5.2 P-XGBoost模型股票表现
    5.3 量化选股模型的比较
    本章小结
第六章 总结和展望
    6.1 本文主要结论
    6.2 展望
致谢
参考文献
附录A
附录B



本文编号：3821782