自2018年3月23日中美貿(mào)易戰(zhàn)爆發(fā)以來(lái),中國(guó)A股市場(chǎng)全面走低。截至6月22日,滬深兩地股市總市值縮減70642億元人民幣,股東損失慘重。研究如何有效防范大盤(pán)帶來(lái)的系統(tǒng)風(fēng)險(xiǎn)對(duì)每一個(gè)股市投資者來(lái)說(shuō)意義重大。Alpha策略作為量化投資眾多策略模型的一種,通過(guò)做多股票的同時(shí)做空股指期貨,當(dāng)市場(chǎng)暴跌時(shí),股指期貨上的盈利可以彌補(bǔ)股票持倉(cāng)帶來(lái)的的損失。Alpha策略旨在追求與市場(chǎng)漲跌相關(guān)性比較低的絕對(duì)收益,除了能夠有效防范大盤(pán)帶來(lái)的系統(tǒng)風(fēng)險(xiǎn),還可防止單邊做多資金被套牢的情況出現(xiàn)。成功實(shí)施Alpha策略的關(guān)鍵在于選股模型的構(gòu)建,這在很大程度上依賴于模型對(duì)估值類、財(cái)務(wù)類,償債能力類等因素的把握能力。首先,本文以A股市場(chǎng)中小板企業(yè)931只股票作為股票池,選取了最近六年28個(gè)常見(jiàn)的因子值作為特征變量,以下個(gè)月股票收益率作為標(biāo)簽值,構(gòu)造了一個(gè)二分類問(wèn)題:當(dāng)下月收益率大于0記作“1”,當(dāng)下月收益率小于0記作“0”,然后按照收益率取“1”的概率從大到小選取股票構(gòu)建股票組合。接著對(duì)股票組合進(jìn)行回測(cè),讓股票組合和大盤(pán)指數(shù)（滬深300指數(shù)）進(jìn)行對(duì)比,看是否能夠跑贏大盤(pán),如果跑贏大盤(pán)說(shuō)明構(gòu)造的股票組合能夠獲取正的Alp... 

【文章來(lái)源】：浙江工商大學(xué)浙江省

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

特征變量相關(guān)性熱力圖

圖３－２默認(rèn)參數(shù)下ＸＧＢｏｏｓｔ的ＲＯＣ曲線圖??用的方法是一次選擇模型的兩個(gè)參數(shù)在給定的范圍內(nèi)取值，因?yàn)閰?shù)會(huì)使搜索變得很慢，最后選擇模型ＡＵＣ值最大時(shí)對(duì)應(yīng)的參果。經(jīng)過(guò)測(cè)試發(fā)現(xiàn)，并非所有的參數(shù)都會(huì)對(duì)ＡＵＣ值造成顯著影改變會(huì)使得模型呈現(xiàn)隨機(jī)變化或基本不變的狀態(tài)，這類參數(shù)只需認(rèn)值即可，最終需要使用網(wǎng)格搜索法優(yōu)化的參數(shù)是ｍａｘ＿ｄｅｐｔｈｘ＿ｄｅｐｔｈ＝（３，?４，?５，?６，?７，?８），?ｓｕｂｓａｍｐｌｅ＝?（０？?６，?０？?７，０．?８，?０．?９），結(jié)果如表?

第四節(jié)構(gòu)建Ｓｔａｃｋｉｎｇ集成框架??一、各個(gè)分類器分類效果對(duì)比??通過(guò)第三章對(duì)Ｓｔａｃｋｉｎｇ集成框架原理的介紹可知，Ｓｔａｃｋｉｎｇ通過(guò)采用堆疊的??技術(shù)可以將多個(gè)不同的模型融合在一起。這個(gè)“不同的模型”既包括不同類型的??模型，如Ｋ－ＮＮ、ＳＶＭ、ｌｉｇｈｔＧＢＭ、ＲＦ、ＸＧＢｏｏｓｔ等，又包括設(shè)置不同參數(shù)的??同一模型。Ｓｔａｃｋｉｎｇ集成效果的好壞主要取決于兩點(diǎn)：首先是第一層基分類器的??分類效果，如果基分類器的分類能力越強(qiáng)，那么Ｓｔａｃｋｉｎｇ集成學(xué)習(xí)的效果自然是??水漲船高；然后另一個(gè)比較重要的方面就是取決于基分類器的多樣性，只有當(dāng)選??取的基分類器各有所長(zhǎng)，能夠優(yōu)劣互補(bǔ)，各個(gè)基分類器結(jié)合在一起才能產(chǎn)生比較??

【參考文獻(xiàn)】：
期刊論文
[1]淺議量化選股與定性選股[J]. 楊君岐,郭虹澤,楊鵬程,李齊.  時(shí)代金融. 2017(06)
[2]隨機(jī)森林在量化選股中的應(yīng)用研究[J]. 王淑燕,曹正鳳,陳銘芷.  運(yùn)籌與管理. 2016(03)
[3]中國(guó)股市“反向效應(yīng)”和“動(dòng)量效應(yīng)”研究[J]. 朱仕青.  中國(guó)市場(chǎng). 2015(38)
[4]基于Alpha策略的量化投資研究[J]. 楊喻欽.  中國(guó)市場(chǎng). 2015(25)
[5]使用隨機(jī)森林算法實(shí)現(xiàn)優(yōu)質(zhì)股票的選擇[J]. 曹正鳳,紀(jì)宏,謝邦昌.  首都經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào). 2014(02)
[6]量化投資盛行對(duì)中國(guó)資本市場(chǎng)的影響[J]. 唐煒怡,孟小菊,鄢方方.  經(jīng)營(yíng)管理者. 2013(31)
[7]核主成分遺傳算法與SVR選股模型改進(jìn)[J]. 蘇治,傅曉媛.  統(tǒng)計(jì)研究. 2013(05)
[8]灰色神經(jīng)網(wǎng)絡(luò)在股價(jià)預(yù)測(cè)中的應(yīng)用研究[J]. 張秋明,朱紅莉.  計(jì)算機(jī)工程與應(yīng)用. 2013(12)
[9]我國(guó)股票市場(chǎng)的行業(yè)阿爾法動(dòng)量效應(yīng)——基于正反饋交易模型的實(shí)證分析[J]. 王嵩.  世界經(jīng)濟(jì)情況. 2011 (01)
[10]上市公司財(cái)務(wù)指標(biāo)與股票價(jià)格定位的實(shí)證分析——以深市中小板上市公司為例[J]. 趙培騫,王德華.  東方企業(yè)文化. 2007(03)

碩士論文
[1]基于stacking組合的文本情感分類研究[D]. 袁策書(shū).華中師范大學(xué) 2017
[2]基于XGBoost算法的多因子量化選股方案策劃[D]. 李想.上海師范大學(xué) 2017
[3]基于GARCH類模型的滬深300股指期貨極值風(fēng)險(xiǎn)研究[D]. 于亞楠.天津大學(xué) 2017
[4]基于SOM算法的軌跡聚類選股策略[D]. 徐步云.浙江工商大學(xué) 2015
[5]量化交易在中國(guó)股市的應(yīng)用[D]. 王俊杰.南京大學(xué) 2013
[6]中國(guó)股票市場(chǎng)選股模型實(shí)證分析[D]. 吳荻.復(fù)旦大學(xué) 2011



本文編號(hào)：3473958