發(fā)布時間：2020-04-15 04:12

【摘要】：隨著近年來機器學習、人工智能領域的快速發(fā)展,很多國內(nèi)外學者嘗試著將機器學習與量化投資相結合,試圖通過數(shù)據(jù)挖掘的手段,比如SVM(支持向量機模型)、神經(jīng)網(wǎng)絡,集成學習等模型探索因子與股票收益之間的關系,進而建立多因子模型對股票未來收益進行預測。但上述算法在金融領域應用時存在兩個主要問題:1.數(shù)據(jù)樣本不足。雖然金融市場中存在著大量高低頻數(shù)據(jù)可供研究,但是在模型訓練過程中時真正有效的樣本數(shù)據(jù)是非常有限的,如何高效利用有限數(shù)據(jù)構建出泛化誤差較小的機器學習模型是值得研究的。2.金融市場是不斷變化的,分別處于不同時間節(jié)點的訓練樣本和測試樣本往往很難保持同分布,因此會導致機器學習模型的延伸性比較差。本文嘗試引入遷移學習的思想與多因子選股模型相結合來處理上述問題,在TrAdaboost算法的基礎上進行補充,通過構造輔助訓練樣本集和源訓練樣本集,從前者中學習知識并提取部分與源訓練樣本集分布相似的股票樣本與源訓練樣本集一起重組為遷移學習量化選股模型的訓練樣本,從而規(guī)避常規(guī)機器學習模型中需要假設訓練樣本和測試樣本相同分布的問題。本文設計了一個包含因子篩選和數(shù)據(jù)降維的因子庫建立體系,同時給出了完整的遷移學習量化選股模型框架,通過2013年至2018年底的真實市場交易數(shù)據(jù)對該模型進行實證分析,將其結果與未使用遷移學習思想的Adaboost多因子選股模型進行對比,證明了本文研究的遷移學習多因子選股模型的有效性,在參數(shù)相同的條件下,合理設計輔助訓練樣本集和源訓練樣本集的采樣方式可以提升傳統(tǒng)機器學習模型的績效。
【圖文】：

本文技術路線圖

i r等式右側分別為Asset 的實際收益率和為：i r + + 此時，，Asset 的實際收益率就可以拆分險溢價， 表示除了風險溢價之外以及不能期貨的金融工具來對沖掉市場風險溢價這部險，剩下來的 就是多因子策略模型所追求場走勢的影響，多因子策略只需能夠篩選出Alpha 的股票作為投資組合就可以持續(xù)盈利Alpha
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F224;F830.91

【參考文獻】

相關期刊論文 前6條

1 曹正鳳;紀宏;謝邦昌;;使用隨機森林算法實現(xiàn)優(yōu)質股票的選擇[J];首都經(jīng)濟貿(mào)易大學學報;2014年02期

2 李云飛;惠曉峰;;基于支持向量機的股票投資價值分類模型研究[J];中國軟科學;2008年01期

3 錢穎能;胡運發(fā);;用樸素貝葉斯分類法選股[J];計算機應用與軟件;2007年06期

4 盧方元;中國股市收益率分布特征研究[J];中國管理科學;2004年06期

5 范龍振,余世典;中國股票市場的三因子模型[J];系統(tǒng)工程學報;2002年06期

6 李亞靜,朱宏泉;滬深股市收益率分布的時變性[J];數(shù)學的實踐與認識;2002年02期

相關博士學位論文 前3條

1 梁超;量化投資模型適應性研究[D];中央財經(jīng)大學;2016年

2 楊士準;基于樣本和特征的遷移學習方法及應用[D];國防科學技術大學;2013年

3 陳德品;基于遷移學習的跨領域排序學習算法研究[D];中國科學技術大學;2010年

相關碩士學位論文 前10條

1 張猛;基于行業(yè)輪動策略的SVM多因子選股模型及投資效果實證分析[D];上海師范大學;2018年

2 費洋;A股市場多因子選股量化模型構建及其檢驗[D];浙江大學;2018年

3 張瀟;基于改進的GBDT的量化投資模型[D];廣西大學;2018年

4 張冬陽;基于Logistic回歸的Barra因子選股模型研究[D];南京大學;2018年

5 司曉彤;基于回歸法的多因子選股模型的投資組合分析[D];青島大學;2017年

6 趙智輝;基于三層過濾模式的多因子選股模型研究[D];華南理工大學;2015年

7 王昭棟;多因子選股模型在中國股票市場的實證分析[D];山東大學;2014年

8 郭世碩;多源遷移學習的研究[D];西安電子科技大學;2014年

9 王濤;Fama-French三因子模型及其添加市盈率因子模型在中國股市的適用性研究[D];西南財經(jīng)大學;2012年

10 劉毅;因子選股模型在中國市場的實證研究[D];復旦大學;2012年

本文編號：2628115