本文基于樸素貝葉斯分類算法、線性判別分類算法、二次判別分類算法進(jìn)行選股實(shí)證研究,為廣大投資者提供一種投資決策建議,具有現(xiàn)實(shí)的研究意義。本文詳細(xì)介紹了樸素貝葉斯,線性判別分析,二次判別分析用于分類的原理,算法優(yōu)缺點(diǎn)、步驟及具體處理細(xì)節(jié),并將其運(yùn)用于多因子選股實(shí)證。樸素貝葉斯假定各個因子間相互獨(dú)立,但實(shí)際上,實(shí)際因子數(shù)據(jù)很難滿足這樣嚴(yán)苛的假設(shè),這會導(dǎo)致模型估不準(zhǔn)。一開始我們采用了主成分分析對實(shí)際因子進(jìn)行轉(zhuǎn)換,但是效果并不令人滿意。因此我們提出了不要求因子間相互獨(dú)立的線性判別和二次判別分類算法。線性判別假設(shè)各類別的方差相同,為總體方差,二次判別假設(shè)各類別方差不同。針對線性判別和二次判別分類算法,本文采用Ledoit-Wolf方差縮減法對協(xié)方差矩陣的估計值進(jìn)行了縮減以提高模型性能。本文選取了滬深300作為股票池,選取了估值、成長、財務(wù)質(zhì)量、杠桿、市值、動量反轉(zhuǎn)、波動率、股價、Beta、換手率、情緒、股東、技術(shù)13大類39個因子暴露度作為樣本的原始特征,對訓(xùn)練集月收益率進(jìn)行標(biāo)簽化,采用滾動訓(xùn)練集,選取最長訓(xùn)練期進(jìn)行做多,做空,多空三種策略回測,并選取滬深300作為基準(zhǔn)組合進(jìn)行對照。本文選取了正確... 

【文章來源】：山東大學(xué)山東省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
    1.2 人工智能簡介
    1.3 研究目的和意義
    1.4 文獻(xiàn)綜述
    1.5 本文思路
    1.6 論文創(chuàng)新點(diǎn)
第二章 人工智能選股基礎(chǔ)理論
    2.1 量化投資基礎(chǔ)理論
    2.2 資本資產(chǎn)定價模型
    2.3 多因素模型
第三章 數(shù)據(jù)收集及預(yù)處理
    3.1 股票池
    3.2 備選因子池
    3.3 因子和標(biāo)簽提取
    3.4 數(shù)據(jù)清洗
        3.4.1 缺失值處理
        3.4.2 異常值處理
    3.5 特征預(yù)處理
        3.5.1 無綱量化
        3.5.2 行業(yè)市值中性化
        3.5.3 分布調(diào)整
    3.6 因子挑選方法
    3.7 分類模型評價指標(biāo)
        3.7.1 正確率
        3.7.2 ROC曲線和AUC
    3.8 策略指標(biāo)評價體系
        3.8.1 年化超額收益率
        3.8.2 年化超額波動率
        3.8.3 信息比率
        3.8.4 最大回撤
第四章 樸素貝葉斯分類算法
    4.1 樸素貝葉斯分類算法原理
    4.2 樸素貝葉斯分類算法優(yōu)缺點(diǎn)
        4.2.1 樸素貝葉斯分類算法優(yōu)點(diǎn)
        4.2.2 樸素貝葉斯分類算法缺點(diǎn)
    4.3 樸素貝葉斯分類算法應(yīng)用于選股
    4.4 樸素貝葉斯算法步驟
    4.5 樸素貝葉斯算法具體處理
        4.5.1 貝葉斯估計法
        4.5.2 下溢出問題
第五章 線性判別分類算法
    5.1 線性判別分類算法原理
    5.2 線性判別分析法步驟
    5.3 Ledoit-Wolf方差縮減法
        5.3.1 樣本協(xié)方差估計中存在的問題
        5.3.2 協(xié)方差估計的改進(jìn)思路
第六章 二次判別分類算法
    6.1 二次判別分類算法原理
    6.2 二次判別分類算法步驟
第七章 實(shí)證分析
    7.1 標(biāo)簽生成
    7.2 訓(xùn)練集生成
        7.2.1 交叉驗(yàn)證集
        7.2.2 滾動訓(xùn)練集
    7.3 訓(xùn)練期選擇
    7.4 因子選擇
    7.5 分類器比較
    7.6 多策略回測
第八章 結(jié)論及展望
    8.1 實(shí)證結(jié)論
        8.1.1 線性判別分類模型總體表現(xiàn)優(yōu)于邏輯回歸
        8.1.2 線性判別分類模型總體表現(xiàn)優(yōu)于其他分類模型
        8.1.3 標(biāo)簽化有利于模型效果提升
    8.2 展望
        8.2.1 論文不足之處
        8.2.2 展望
附錄
參考文獻(xiàn)
致謝
學(xué)位論文評閱及答辯情況表


【參考文獻(xiàn)】：
期刊論文
[1]用樸素貝葉斯分類法選股[J]. 錢穎能,胡運(yùn)發(fā).  計算機(jī)應(yīng)用與軟件. 2007(06)



本文編號：3641652