在投資決策研究領(lǐng)域,量化選股已成為熱門問題。本文的目標是應(yīng)用機器學習的方法來改進傳統(tǒng)的多因子模型,挑選出具有投資價值的股票,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351支股票。從8個類別中選取共33個常見因子構(gòu)建因子庫,經(jīng)過因子IC檢驗和回歸顯著性檢驗,篩選得到18個有效因子。以復(fù)合因子IR最大化為目標來確定因子權(quán)重向量,合成各個大類下的細分因子。用DTW度量各股票序列數(shù)據(jù)的相似度,建立以每個股票為節(jié)點的復(fù)雜網(wǎng)絡(luò),并基于網(wǎng)絡(luò)進行AP聚類。根據(jù)不同聚類結(jié)果,構(gòu)建多因子選股模型。在確定支持向量機和隨機森林算法的最優(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行預(yù)測。根據(jù)排序結(jié)果選取聚類結(jié)果中每個類別最優(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,進行選股結(jié)果的對比。最后利用跟蹤誤差與低波動異象理論對投資組合的權(quán)重進行調(diào)整,用6種方式度量跟蹤誤差,得到調(diào)整后的投資策略,以績效評價指標對其進行回測。綜合考慮在聚類結(jié)果中,參考度為中位數(shù)時,選股效果最好,此時聚類...

【文章頁數(shù)】：58 頁

【學位級別】：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
2 文獻綜述
    2.1 傳統(tǒng)多因子模型
    2.2 與機器學習相結(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 時間序列相似性度量
    3.3 機器學習
    3.4 跟蹤誤差組合投資模型
    3.5 本章小結(jié)
4 基于隨機森林和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
    4.3 動態(tài)時間規(guī)整的股票聚類分析
    4.4 基于SVM與隨機森林的多因子模型
    4.5 選股效果對比
    4.6 本章小結(jié)
5 投資組合改進與優(yōu)化
    5.1 跟蹤誤差模型
    5.2 基于低波動異象的倉位調(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



本文編號：3827314