作為量化投資程序中的重要組成部分,量化多因子選股模型是通過歷史金融數(shù)據(jù)建模來預(yù)測股票收益,該模型中引入了包括深度學(xué)習(xí)在內(nèi)的眾多機(jī)器學(xué)習(xí)方法。文中則首次探究了PCANet這樣一種深度架構(gòu)在量化選股中的應(yīng)用。具體來說,該框架一方面將金融時序數(shù)據(jù)轉(zhuǎn)換為二維圖像數(shù)據(jù),從而將金融時間序列預(yù)測問題轉(zhuǎn)變?yōu)閳D像分類問題;另一方面將PCA應(yīng)用于深度架構(gòu),充分發(fā)揮其能力,同時提供了金融行業(yè)可以理解和反饋的可解釋性。兩年的實際數(shù)據(jù)回測表明,該方法獲得了57.17%的夏普比率、16.84%的超額收益以及-18.14%的最大回撤。相比傳統(tǒng)的線性回歸模型和深度學(xué)習(xí)的CNN模型,所提基于PCANet的價值成長多因子選股模型獲得了更高的超額收益和夏普比率,同時保持了繼承于PCA的特征提取的解釋性。 

【文章來源】：計算機(jī)科學(xué). 2020,47(S2)北大核心CSCD

【文章頁數(shù)】：4 頁

【部分圖文】：

回測效果(電子版為彩色)


本文編號：3129560