發(fā)布時間：2020-11-09 04:31

　　 筆者旨在構(gòu)建機器學(xué)習(xí)優(yōu)化股票多因子模型,用以處理A股市場風(fēng)格切換和選股問題來最終獲得超額收益,首先構(gòu)建因子分析模型來篩選出7個最優(yōu)因子,進而構(gòu)建基于機器學(xué)習(xí)的隨機森林模型,通過隨機森林回測某段時間的股票波動情況。該模型分別從因子表達、機器學(xué)習(xí)算法兩個角度對A股市場股票的波動規(guī)律進行研究,獲取最大回撤的超額收益。筆者使用公開的2016年1月1日至2018年9月30日我國A股市場的數(shù)據(jù)對算法性能進行評估。實驗結(jié)果顯示回測的正確率為83%,收益的平均利率約為1.57%。
【部分圖文】：

選擇由因子分析法所篩選出的7個指標(biāo)作為優(yōu)化評價因子，并利用上述7個因子構(gòu)建機器學(xué)習(xí)的隨機森林模型，對股票的漲跌進行預(yù)測。將2016年6月與7月的影響變量離線化數(shù)據(jù)和對應(yīng)的下次周期7月和8月的漲跌情況代入模型中，對隨機森林模型進行機器學(xué)習(xí)訓(xùn)練，根據(jù)訓(xùn)練之后的模型框架，將8月所需要預(yù)測的數(shù)據(jù)代入模型，使用RandomForest包中的predict命令預(yù)測9月A股市場的漲跌情況[8]，如圖1所示。由回測結(jié)果統(tǒng)計分析可知：在本樣本的100支股票中，對下月漲跌情況預(yù)測的總體精度達到83%，平均總漲幅為-3.234 17。預(yù)測將要上漲的30支股票，預(yù)測精度為73.33%，其漲跌幅均值為1.578 04，比總的平均高了4.81221。預(yù)測將要下跌的70支股票，正確的數(shù)量為61支，預(yù)測精確度達到了87.14%，其中漲跌幅均值為-5.529 55，比總平均低了2.062 38。在進行模型回測過程中，組合選擇會漲的股票，所以在最后的預(yù)期超額收益為1 530.698 8萬元。
【參考文獻】

相關(guān)期刊論文 前2條

1 張永森;李裕川;柳福祥;;因子分析和灰色關(guān)聯(lián)分析在股票綜合評價上的應(yīng)用[J];時代金融;2015年12期

2 藺小林;陳壯民;;灰色關(guān)聯(lián)度在股票綜合評價中的應(yīng)用[J];陜西科技大學(xué)學(xué)報(自然科學(xué)版);2013年06期

相關(guān)碩士學(xué)位論文 前5條

1 范曉倩;股票市場投資組合分析及其風(fēng)險度量[D];蘭州財經(jīng)大學(xué);2019年

2 邵雪敏;滬市A股股票收益率影響因素的實證研究[D];淮北師范大學(xué);2019年

3 宋俊曉;中國股票市場系統(tǒng)性風(fēng)險預(yù)警指標(biāo)體系構(gòu)建研究[D];天津商業(yè)大學(xué);2019年

4 湯可欣;基于隨機森林模型挖掘股權(quán)激勵事件的超額收益[D];南京大學(xué);2018年

5 袁博;熵模型在股票投資風(fēng)險管理中的應(yīng)用研究[D];西安建筑科技大學(xué);2009年

【共引文獻】

相關(guān)期刊論文 前2條

1 張永森;李裕川;柳福祥;;因子分析和灰色關(guān)聯(lián)分析在股票綜合評價上的應(yīng)用[J];時代金融;2015年12期

2 衛(wèi)紅;藺小林;;有關(guān)盧卡斯數(shù)列的充要條件和性質(zhì)研究[J];陜西科技大學(xué)學(xué)報(自然科學(xué)版);2014年06期

相關(guān)碩士學(xué)位論文 前6條

1 沈雪燕;商品住宅結(jié)構(gòu)時空演變分析[D];武漢大學(xué);2017年

2 王心怡;基于期望效用—熵模型我國外匯儲備幣種結(jié)構(gòu)優(yōu)化研究[D];北京外國語大學(xué);2015年

3 楊天山;CVaR風(fēng)險度量投資組合模型的改進研究[D];廣西大學(xué);2015年

4 邊鋒;證券投資組合有利信息率風(fēng)險研究[D];西安建筑科技大學(xué);2011年

5 萬應(yīng)元;我國外匯儲備資產(chǎn)結(jié)構(gòu)優(yōu)化的實證分析[D];四川師范大學(xué);2011年

6 鄒璐;基于普適環(huán)境的動態(tài)協(xié)同的信任評估模型的研究[D];遼寧工程技術(shù)大學(xué);2011年

【二級參考文獻】

相關(guān)期刊論文 前10條

1 藺小林;陳壯民;;灰色關(guān)聯(lián)度在股票綜合評價中的應(yīng)用[J];陜西科技大學(xué)學(xué)報(自然科學(xué)版);2013年06期

2 郭崇慧;賈宏峰;;基于一維搜索的ICA自適應(yīng)算法及其在股票分析中的應(yīng)用[J];數(shù)理統(tǒng)計與管理;2012年03期

3 魯峰;黃金泉;;基于灰色關(guān)聯(lián)聚類的特征提取算法[J];系統(tǒng)工程理論與實踐;2012年04期

4 黃麗;;聚類分析方法在股票評價中的應(yīng)用[J];商業(yè)會計;2011年25期

5 田民;劉思峰;卜志坤;;灰色關(guān)聯(lián)度算法模型的研究綜述[J];統(tǒng)計與決策;2008年01期

6 楊竹莘;張軍濤;;區(qū)域科技創(chuàng)新能力的灰色關(guān)聯(lián)綜合評價研究[J];數(shù)學(xué)的實踐與認識;2007年09期

7 胡燕京,劉永樂;因子分析在醫(yī)藥上市公司績效評價中的應(yīng)用[J];安徽商貿(mào)職業(yè)技術(shù)學(xué)院學(xué)報(社會科學(xué)版);2005年02期

8 羅黨,劉思峰;灰色關(guān)聯(lián)決策方法研究[J];中國管理科學(xué);2005年01期

9 王學(xué)民;因子分析在股票評價中的應(yīng)用[J];數(shù)理統(tǒng)計與管理;2004年03期

10 周斌;由灰色關(guān)聯(lián)度確定權(quán)重的客觀多目標(biāo)決策法[J];昆明理工大學(xué)學(xué)報(理工版);2003年05期

相關(guān)碩士學(xué)位論文 前10條

1 崔津梓;我國貨幣政策對股票價格影響研究[D];河南大學(xué);2017年

2 沈辛禹;2008年與2015年兩次“股災(zāi)”的原因比較研究[D];河北經(jīng)貿(mào)大學(xué);2017年

3 朱培臻;股權(quán)激勵對我國上市公司績效及股價的影響[D];華東政法大學(xué);2016年

4 張曉飛;股權(quán)激勵對上市公司股價影響的分析及相應(yīng)投資策略的優(yōu)化[D];首都經(jīng)濟貿(mào)易大學(xué);2016年

5 張宇凡;影響我國股票收益率的多因素動態(tài)分析[D];首都經(jīng)濟貿(mào)易大學(xué);2016年

6 趙清清;因子增強分位數(shù)回歸模型及其在股市中的應(yīng)用[D];浙江工商大學(xué);2015年

7 段吉超;中國股票市場系統(tǒng)性風(fēng)險控制研究[D];東北農(nóng)業(yè)大學(xué);2015年

8 許麗萍;股票換手率與收益率關(guān)系的實證研究[D];蘇州大學(xué);2015年

9 姚婷;股票價格的宏觀影響因素分析及預(yù)測[D];安徽財經(jīng)大學(xué);2014年

10 全基哲;中國股市系統(tǒng)性風(fēng)險程度與影響因素研究[D];新疆財經(jīng)大學(xué);2014年

【相似文獻】

相關(guān)期刊論文 前10條

1 李興有;;神經(jīng)網(wǎng)絡(luò)與多因子模型在量化投資領(lǐng)域的對比分析[J];市場論壇;2018年08期

2 汪榮貴;張佑生;高雋;彭青松;;從確信因子模型到Bayes網(wǎng)絡(luò)[J];計算機科學(xué);2004年10期

3 來學(xué)偉;;獨立分量分析在線性因子模型中的應(yīng)用[J];電腦迷;2018年11期

4 王智;;基于機器學(xué)習(xí)對優(yōu)質(zhì)股的選擇[J];電子制作;2018年07期

5 蔡清權(quán);馬雲(yún)勻;李金妹;;基于機器學(xué)習(xí)的股票超額收益預(yù)測模型[J];信息系統(tǒng)工程;2019年09期

6 黃雙燕;楊遼;陳曦;姚遠;;機器學(xué)習(xí)法的干旱區(qū)典型農(nóng)作物分類[J];光譜學(xué)與光譜分析;2018年10期

7 劉海濱;;歷史工單分析研判與(資產(chǎn))智能維護的探索[J];信息通信技術(shù)與政策;2019年02期

8 王鵬;;大數(shù)據(jù)插上機器學(xué)習(xí)翅膀 為5G提供新燃料[J];通信世界;2019年31期

9 李兵;林文釗;羅崢尹;;基于機器學(xué)習(xí)的智慧農(nóng)業(yè)決策系統(tǒng)設(shè)計與實現(xiàn)[J];信息與電腦(理論版);2018年24期

10 舒娜;劉波;林偉偉;李鵬飛;;分布式機器學(xué)習(xí)平臺與算法綜述[J];計算機科學(xué);2019年03期

相關(guān)博士學(xué)位論文 前10條

1 殷曦;基于機器學(xué)習(xí)及統(tǒng)計計算模型的膜蛋白結(jié)構(gòu)預(yù)測[D];上海交通大學(xué);2017年

2 楊靜;蛋白質(zhì)殘基相互作用預(yù)測及其在結(jié)構(gòu)建模中的應(yīng)用研究[D];上海交通大學(xué);2018年

3 王磊;基于機器學(xué)習(xí)的藥物—靶標(biāo)相互作用預(yù)測研究[D];中國礦業(yè)大學(xué);2018年

4 郝小可;基于機器學(xué)習(xí)的影像遺傳學(xué)分析及其應(yīng)用研究[D];南京航空航天大學(xué);2017年

5 施建明;基于機器學(xué)習(xí)的產(chǎn)品剩余壽命預(yù)測方法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2018年

6 陳再毅;機器學(xué)習(xí)中的一階優(yōu)化算法收斂性研究[D];中國科學(xué)技術(shù)大學(xué);2018年

7 戴望州;一階邏輯領(lǐng)域知識與機器學(xué)習(xí)的結(jié)合研究[D];南京大學(xué);2019年

8 梁霄;機器學(xué)習(xí)在量子物理學(xué)中的應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2019年

9 陳明哲;未來蜂窩網(wǎng)絡(luò)中基于機器學(xué)習(xí)的資源管理技術(shù)研究[D];北京郵電大學(xué);2019年

10 程嵩;基于張量網(wǎng)絡(luò)的機器學(xué)習(xí)模型[D];中國科學(xué)院大學(xué)(中國科學(xué)院物理研究所);2019年

相關(guān)碩士學(xué)位論文 前10條

1 楊志鵬;強個體效應(yīng)因子模型ER方法的機器學(xué)習(xí)改進[D];浙江工商大學(xué);2017年

2 楊逍;機器學(xué)習(xí)中隱式因子模型及其優(yōu)化算法研究[D];哈爾濱工業(yè)大學(xué);2013年

3 華琪;基于機器學(xué)習(xí)的智能建筑行為建模與預(yù)測方法研究[D];上海交通大學(xué);2017年

4 楊浩;基于機器學(xué)習(xí)的白帶菌類光學(xué)圖像識別算法研究[D];電子科技大學(xué);2019年

5 徐安;基于機器學(xué)習(xí)的慢性疾病預(yù)測關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2019年

6 宋同峰;基于機器學(xué)習(xí)的腎病輔助診斷系統(tǒng)的研究[D];青島科技大學(xué);2019年

7 王婧;基于核機器學(xué)習(xí)的阿爾茲海默病早期診斷算法研究[D];曲阜師范大學(xué);2019年

8 馬小鳳;機器學(xué)習(xí)在學(xué)生通過率預(yù)測中的應(yīng)用研究[D];西南大學(xué);2019年

9 黃雨迪;基于機器學(xué)習(xí)的MIMO系統(tǒng)收發(fā)機設(shè)計理論與方法[D];電子科技大學(xué);2019年

10 應(yīng)豪;基于機器學(xué)習(xí)的光纖信道均衡技術(shù)研究[D];電子科技大學(xué);2019年

本文編號：2875892