【摘要】：近年來量化投資領(lǐng)域逐漸受到廣泛關(guān)注,成為一個(gè)十分熱門的研究方向。利用數(shù)學(xué)、統(tǒng)計(jì)、機(jī)器學(xué)習(xí)等技術(shù),量化投資充分挖掘各資產(chǎn)歷史價(jià)格演變的規(guī)律,利用這些規(guī)律形成投資策略,獲取高額收益。量化投資近年來受到了機(jī)構(gòu)投資者以及個(gè)人投資者的廣泛關(guān)注。量化投資興起于二十世紀(jì)六十年代,當(dāng)時(shí)隨著計(jì)量工具的研究,不斷有投資者嘗試對(duì)市場(chǎng)價(jià)格進(jìn)行定量化研究。而我國金融以及相關(guān)衍生品市場(chǎng)起步較晚,量化投資受到市場(chǎng)的廣泛重視是2010年以后的事情。而且目前市場(chǎng)上量化相關(guān)的投資理財(cái)產(chǎn)品相對(duì)較少,同時(shí)由于市場(chǎng)交易規(guī)則限制,量化投資策略也不如歐美等國家豐富,因此量化投資策略的研究在我國市場(chǎng)具有巨大的發(fā)展空間。A股市場(chǎng)是我國目前較為成熟以及體量較大的市場(chǎng),因此如何構(gòu)建適合于我國股市的量化投策略具有重要的現(xiàn)實(shí)及理論意義。自2010年以來,新股具有較為明顯的溢價(jià)發(fā)行的特征,上市后價(jià)格往往出現(xiàn)暴漲,因此出現(xiàn)了諸多打新股的策略。但是受到發(fā)行量的限制,新股往往一簽難求。同時(shí)由于新股上市后出現(xiàn)的大波動(dòng)現(xiàn)象,造成了新股在一段時(shí)間內(nèi)的價(jià)格變動(dòng)具有同其他股票不一樣的特點(diǎn),因此研究次新股的價(jià)格特點(diǎn),尋找交易機(jī)會(huì)也具有較大的實(shí)際意義。從統(tǒng)計(jì)上看,經(jīng)過上市初期的一輪暴漲后,新股往往會(huì)出現(xiàn)價(jià)格下跌回調(diào),然后重新上漲的過程。同時(shí)也并非所有的新股都具有同樣上漲的概率,經(jīng)過統(tǒng)計(jì)發(fā)現(xiàn)30個(gè)交易日以后,超過50%的新股價(jià)格會(huì)出現(xiàn)下跌。因此如何構(gòu)建一套針對(duì)次新股的量化交易策略,指導(dǎo)投資者在進(jìn)行次新股交易時(shí)進(jìn)行科學(xué)的選股便變得十分重要。近幾年來機(jī)器學(xué)習(xí)發(fā)展迅速,很多研究都關(guān)注機(jī)器學(xué)習(xí)在量化投資中的應(yīng)用。機(jī)器學(xué)習(xí)的很多算法,如支持向量機(jī)(Support Vector Machine,SVM)、梯度提升決策樹(Gradient Boosting Decision Tree,GBDT)等算法對(duì)于非線性問題的預(yù)測(cè)都有較好的效果,而對(duì)于次新股的漲跌可以轉(zhuǎn)化為機(jī)器學(xué)習(xí)中的分類問題。因此本文嘗試使用SVM、GBDT等機(jī)器學(xué)習(xí)模型對(duì)次新股漲跌進(jìn)行預(yù)測(cè),并構(gòu)建交易策略。本文采用定量化的研究方法,從聚寬、Tushare等開放數(shù)據(jù)庫中提取了2006年1月1日到2017年12月31日的上市A股的行情數(shù)據(jù)。經(jīng)過統(tǒng)計(jì)分析發(fā)現(xiàn)上市新股自上市后30個(gè)交易日內(nèi)具有不同于其他股票的波動(dòng)性。通過單因子測(cè)試發(fā)現(xiàn)總股本、總市值、換手率、市盈率、市凈率、市銷率等因子與新股上市后30個(gè)交易日的漲跌具有顯著關(guān)系。通過建立SVM以及GBDT模型對(duì)上市新股進(jìn)行預(yù)測(cè),GBDT的預(yù)測(cè)AUC達(dá)到0.91,SVM的預(yù)測(cè)AUC達(dá)到0.77,均具有一定的預(yù)測(cè)能力,而GBDT的預(yù)測(cè)能力優(yōu)于SVM模型�；诮y(tǒng)計(jì)分析以及建模分析,構(gòu)建了三組交易策略,包括短線回調(diào)交易策略、次新股多因子交易策略以及機(jī)器學(xué)習(xí)短線交易策略。短線回調(diào)交易策略的收益為423.9%,具有較好的效果。而基于次新股因子的交易策略收益率為14.7%,為對(duì)比多因子的效果,對(duì)單個(gè)因子的盈利能力進(jìn)行了測(cè)試,發(fā)現(xiàn)如果單獨(dú)使用獨(dú)立因子進(jìn)行選股,效果都相對(duì)較差,而使用多因子模型進(jìn)行綜合選股,在年化收益上有近15個(gè)百分點(diǎn)的提升。在基于機(jī)器學(xué)習(xí)的短息交易策略中,分別使用SVM以及GBDT進(jìn)行決策。基于SVM的交易策略收益率為121.36%,但是資金收益曲線波動(dòng)較大,最大回撤有35.6%。而基于GBDT的交易策略資金曲線平滑,收益率為128.7%,最大回撤為9.8%,對(duì)比基于SVM的交易策略收益上提高了7個(gè)百分點(diǎn),而最大回撤降低了近26個(gè)百分點(diǎn)。本文通過對(duì)A股市場(chǎng)2010年以后的上市股票數(shù)據(jù)進(jìn)行建模分析及實(shí)證回測(cè)后,結(jié)果表明GBDT及SVM模型對(duì)次新股具有一定的預(yù)測(cè)能力,回測(cè)的收益較為穩(wěn)定。本文的方法為進(jìn)一步構(gòu)建量化策略提供了思路。
【圖文】：

2.3 機(jī)器學(xué)習(xí)介紹機(jī)器學(xué)習(xí)是在歷史數(shù)據(jù)中尋找規(guī)律，用于對(duì)新數(shù)據(jù)的預(yù)測(cè)。機(jī)器學(xué)習(xí)的邏輯框架如圖2-1所示，可以看到：假設(shè)G會(huì)產(chǎn)一系列的獨(dú)立同分布樣本(x1,y1)，(x2,y2)…….(xn,yn)，具有 F(y|x)的聯(lián)合分布。定義式（2-4）的損失函數(shù)函數(shù)[48]：R( ) ( ( )) ( ) （式 2-4）機(jī)器學(xué)習(xí)目的是在這些樣本中尋找某個(gè)最優(yōu)的函數(shù) f(x,v)，該函數(shù)可以使得（2-4）的值最小。V 代表了廣義的參數(shù)，， ( ( ))是預(yù)測(cè)誤差又被稱為損失函數(shù)，該函數(shù)根據(jù)具體的應(yīng)用問題不同而不同。在分類問題中，如果學(xué)習(xí)函數(shù)的預(yù)測(cè)類別同真實(shí)類別不一致，則可以認(rèn)為在該樣本上，學(xué)習(xí)器錯(cuò)誤。

圖 2-2 完全線性可分問題-2 所示，實(shí)心點(diǎn)與空心點(diǎn)分別代表不同的類別，比如 y=1 代表空心點(diǎn)。在平面上可以找到直線 L 對(duì)這些點(diǎn)做劃分，則可以看做是 1，在 y 線以下可以看作是 0。而在一個(gè)平面條這種曲線，比如和 L 平行的直線 L1、L2。而確定使用哪便是尋找最優(yōu)分類的問題。認(rèn)為如果存在一條直線與 L 平行同時(shí)又使得 L1 和 L2 之間該直線便被認(rèn)為是最優(yōu)的分類直線，L1 和 L2 之間的距離，該距離越大，學(xué)習(xí)器的泛化能力越強(qiáng)。同理類推，在多的分類平面就是使得分類距離達(dá)到最大的平面。而支持向被最優(yōu)分類平面對(duì)應(yīng)的平面所經(jīng)過的樣本點(diǎn)，比如在圖 經(jīng)過的點(diǎn)。-2 的二維平面的分類問題中，決策函數(shù)是尋找能夠劃分樣本，如下所示：
【學(xué)位授予單位】：西南財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：F832.51;F224

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙金濤;邱雪濤;何東杰;;基于GBDT的線上交易欺詐偵測(cè)研究[J];微型電腦應(yīng)用;2017年10期

2 蘇興華;孫俊明;高翔;王敏;;基于GBDT算法的鉆井機(jī)械鉆速預(yù)測(cè)方法研究[J];計(jì)算機(jī)應(yīng)用與軟件;2019年12期

3 張重生;彭國雯;于珂珂;;基于GBDT和HOG特征的人臉關(guān)鍵點(diǎn)定位[J];河南大學(xué)學(xué)報(bào)(自然科學(xué)版);2018年02期

4 張洋;葉月;張宗翔;佘芳;陳析宇;;基于GBDT的學(xué)術(shù)會(huì)議替代計(jì)量學(xué)評(píng)價(jià)模型研究[J];情報(bào)學(xué)報(bào);2019年11期

5 王立平;鄧芳明;;基于小波包和GBDT的瓦斯傳感器故障診斷[J];測(cè)控技術(shù);2016年12期

6 王洪偉;孟園;;在線評(píng)論質(zhì)量有用特征識(shí)別:基于GBDT特征貢獻(xiàn)度方法[J];中文信息學(xué)報(bào);2017年03期

7 鄭凱文;楊超;;基于迭代決策樹(GBDT)短期負(fù)荷預(yù)測(cè)研究[J];貴州電力技術(shù);2017年02期

8 舒暢;李輝;;基于小波與GBDT的無人機(jī)傳感器故障診斷[J];測(cè)控技術(shù);2017年08期

9 王黎;廖聞劍;;基于GBDT的個(gè)人信用評(píng)估方法[J];電子設(shè)計(jì)工程;2017年15期

10 龔誼承;都承華;張艷娜;余力;;基于主成分和GBDT對(duì)血糖值的預(yù)測(cè)[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2019年14期

相關(guān)碩士學(xué)位論文 前10條

1 蘭筱莉;基于GBDT等機(jī)器學(xué)習(xí)算法的新股量化策略研究[D];西南財(cái)經(jīng)大學(xué);2018年

2 張艷娜;互聯(lián)網(wǎng)金融中基于GBDT的三類信用風(fēng)險(xiǎn)度量及其驅(qū)動(dòng)的海薩尼轉(zhuǎn)換[D];武漢科技大學(xué);2019年

3 張瀟;基于改進(jìn)的GBDT的量化投資模型[D];廣西大學(xué);2018年

4 陳子之;基于GBDT的地方政府債務(wù)風(fēng)險(xiǎn)評(píng)級(jí)和預(yù)警研究[D];上海師范大學(xué);2017年

5 王天華;基于改進(jìn)的GBDT算法的乘客出行預(yù)測(cè)研究[D];大連理工大學(xué);2016年

6 孫萬龍;基于GBDT的社區(qū)問題標(biāo)簽推薦技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

7 馬姝;基于數(shù)據(jù)挖掘的消費(fèi)者購買預(yù)測(cè)的研究[D];云南財(cái)經(jīng)大學(xué);2016年

8 連克強(qiáng);基于Boosting的集成樹算法研究與分析[D];中國地質(zhì)大學(xué)(北京);2018年

9 趙中祥;顯微視頻細(xì)胞分割與跟蹤方法研究[D];哈爾濱工業(yè)大學(xué);2016年

10 李子玉;基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)場(chǎng)航站樓離港旅客托運(yùn)行李需求預(yù)測(cè)研究[D];北京交通大學(xué);2018年

本文編號(hào)：2604137