本文選題：量化投資　切入點：機器學習　出處：《系統(tǒng)工程理論與實踐》2017年05期 　論文類型：期刊論文

【摘要】：量化投資嘗試利用計算機算法來預測證券的價格和進行證券的交易,并從中獲取超額收益,是系統(tǒng)工程在金融投資領域的重要應用.本文設計了一套基于機器學習和技術指標的量化投資算法ML-TEA(machine learning and technical analysis).該模型以技術指標作為輸入變量,再分別通過不同的機器學習算法來預測股票數(shù)日之后的漲跌方向,并根據(jù)預測的方向來構建投資組合.實證結(jié)果顯示:第一,三種模型的年化收益率都在25%以上,遠超大盤指數(shù)的10.60%、買入持有策略的3%以及現(xiàn)有策略.從風險調(diào)節(jié)績效(夏普比率、特雷納比率和詹森績效)來看,三種策略也都遠超基準策略和現(xiàn)有策略.以夏普比率為例,三種策略均在1.50以上,而市場指數(shù)的夏普比率為0.38.第二,Ada-TEA和SVM-TEA都可以容忍遠高于市場實際成本的交易成本.
[Abstract]:Quantitative investment attempts to use computer algorithms to predict the price of securities and trade them, and to earn excess returns from them. It is an important application of system engineering in the field of financial investment. In this paper, a set of quantitative investment algorithm ML-TEA(machine learning and technical analysis based on machine learning and technical index is designed. Then we use different machine learning algorithms to predict the direction of stock's rise and fall after the vote day, and construct the investment portfolio according to the forecast direction. The empirical results show that: first, the annual return rate of the three models is above 25%. Far more than 10.60 percent of the market index, 3% of the buying and holding strategy, and the existing strategy. In terms of risk-adjusted performance (Sharp ratio, Trayner ratio, and Jason performance), all three strategies also far exceed the benchmark strategy and the existing strategy. Take Sharp ratio as an example. All three strategies are above 1. 50, while the Sharp ratio of the market index is 0. 38. Both Ada-TEA and SVM-TEA can tolerate transaction costs that are much higher than the actual market costs.
【作者單位】： 武漢大學經(jīng)濟與管理學院金融系;康奈爾大學運籌與信息工程學院;
【基金】：國家自然科學基金(71401128,91646206) 教育部留學回國人員科研啟動基金 武漢大學人文社科青年學者學術團隊項目(16WSKTD008)~~
【分類號】：F832.51

【相似文獻】

相關期刊論文 前1條

1 馬坤;;技術指標的局限[J];股市動態(tài)分析;2013年46期

相關博士學位論文 前1條

1 Maxim Pecionchin;[D];對外經(jīng)濟貿(mào)易大學;2016年

相關碩士學位論文 前6條

1 金仁莉;機器學習方法在可轉(zhuǎn)債估價上的運用[D];暨南大學;2016年

2 胡謙;基于機器學習的量化選股研究[D];山東大學;2016年

3 厲國強;基于機器學習的股指預測算法[D];天津工業(yè)大學;2017年

4 施劍;基于SVM的IPO首日投資策略分析方法研究及實現(xiàn)[D];復旦大學;2011年

5 劉寧;在中國A股市場基于輿情的交易策略[D];上海交通大學;2014年

6 周澤建;程序化交易中的交易指標優(yōu)化方法研究[D];上海交通大學;2013年

，

本文編號：1634967