在投資決策研究領(lǐng)域,量化選股已成為熱門問題。本文的目標(biāo)是應(yīng)用機(jī)器學(xué)習(xí)的方法來改進(jìn)傳統(tǒng)的多因子模型,挑選出具有投資價(jià)值的股票,確定投資比例,以此構(gòu)造有效的投資策略。本文選擇滬深300作為基準(zhǔn)指數(shù),以其成分股建立基礎(chǔ)股票池,樣本數(shù)據(jù)選自2015至2020年總計(jì)351支股票。從8個(gè)類別中選取共33個(gè)常見因子構(gòu)建因子庫,經(jīng)過因子IC檢驗(yàn)和回歸顯著性檢驗(yàn),篩選得到18個(gè)有效因子。以復(fù)合因子IR最大化為目標(biāo)來確定因子權(quán)重向量,合成各個(gè)大類下的細(xì)分因子。用DTW度量各股票序列數(shù)據(jù)的相似度,建立以每個(gè)股票為節(jié)點(diǎn)的復(fù)雜網(wǎng)絡(luò),并基于網(wǎng)絡(luò)進(jìn)行AP聚類。根據(jù)不同聚類結(jié)果,構(gòu)建多因子選股模型。在確定支持向量機(jī)和隨機(jī)森林算法的最優(yōu)參數(shù)之后,采用了這兩種方法對各類別中股票的上漲概率進(jìn)行預(yù)測。根據(jù)排序結(jié)果選取聚類結(jié)果中每個(gè)類別最優(yōu)的股票,作為股票持倉結(jié)果。使用Markowitz均值-方差模型來確定投資權(quán)重,進(jìn)行選股結(jié)果的對比。最后利用跟蹤誤差與低波動(dòng)異象理論對投資組合的權(quán)重進(jìn)行調(diào)整,用6種方式度量跟蹤誤差,得到調(diào)整后的投資策略,以績效評價(jià)指標(biāo)對其進(jìn)行回測。綜合考慮在聚類結(jié)果中,參考度為中位數(shù)時(shí),選股效果最好,此時(shí)聚類...

【文章頁數(shù)】：58 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 研究內(nèi)容
    1.3 論文結(jié)構(gòu)安排
    1.4 論文的創(chuàng)新點(diǎn)
2 文獻(xiàn)綜述
    2.1 傳統(tǒng)多因子模型
    2.2 與機(jī)器學(xué)習(xí)相結(jié)合的多因子模型
    2.3 指數(shù)化投資
    2.4 本章小結(jié)
3 理論基礎(chǔ)
    3.1 多因子模型
    3.2 時(shí)間序列相似性度量
    3.3 機(jī)器學(xué)習(xí)
    3.4 跟蹤誤差組合投資模型
    3.5 本章小結(jié)
4 基于隨機(jī)森林和SVM的多因子選股模型的構(gòu)建
    4.1 樣本選取與數(shù)據(jù)處理
    4.2 因子有效性檢驗(yàn)
    4.3 動(dòng)態(tài)時(shí)間規(guī)整的股票聚類分析
    4.4 基于SVM與隨機(jī)森林的多因子模型
    4.5 選股效果對比
    4.6 本章小結(jié)
5 投資組合改進(jìn)與優(yōu)化
    5.1 跟蹤誤差模型
    5.2 基于低波動(dòng)異象的倉位調(diào)整
    5.3 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)



本文編號(hào)：3827314