近年來,機器學習逐漸被應用在各個領域,例如醫(yī)療、交通、人臉識別,除此之外,在金融領域中,也在嘗試使用機器學習輔助投資,而股票作為量化投資的一個重要標的,使用機器學習方法探尋股票的未來走勢則被越來越多地關注。本文從兩個角度設計量化選股方案,分別是傳統(tǒng)量化選股方案、基于機器學習的量化選股方案。在傳統(tǒng)量化選股方案中,本文基于CAPM模型、Fama-French三因子模型、Fama-French五因子模型設計了三種量化選股方案,并利用2019年7月、8月、9月數據進行模擬交易。結果表明:當市場處于牛市時,基于CAPM模型的量化選股方案收益最高、回撤最小;當市場輕微下跌時,收益為正的量化選股方案中,基于Fama-French三因子模型的量化選股方案收益最高,而基于CAPM模型的量化選股方案回撤最小;當市場嚴重下跌時,以上三種量化選股方案的下跌幅度均高于滬深300指數。在基于機器學習的量化選股方案中,首先從基本面、技術面兩個角度確定選股因子,共選取119個候選因子,根據Spearman相關系數及其顯著性,分別利用2019年6月、7月、8月數據進行因子有效性檢驗,然后基于隨機森林、神經網絡、XGBo... 

【文章來源】：北方工業(yè)大學北京市

【文章頁數】：75 頁

【學位級別】：碩士

【部分圖文】：

滬深300指數收盤價時序圖

第二章傳統(tǒng)量化選股方案138日期間，滬深300指數小幅震蕩，股市在過去3年既經歷了熊市又經歷了牛市，利用這段時間建立CAPM模型可以檢驗模型的有效性，因此綜合考慮數據的長度以及模型的有效性，本文最終選取過去3年的數據建立資本資產定價模型。圖2-1滬深300指數收盤價時序圖接下來將基于CAPM模型的量化選股方案分別在2019年7月、8月、9月進行模擬交易，首先當模擬交易時間在2019年7月8日到2019年7月31日時，以滬深300指數成分股中未停牌的股票作為樣本，以滬深300指數作為基準，結果見下圖2-2。圖2-2投資組合在7月的模擬交易結果由上圖2-2，基于CAPM模型的量化選股方案進行模擬交易，投資組合收益率為0.98%，基準收益為-1.49%，阿爾法指標值為0.285，夏普比率指標值為0.766，貝塔指標值為0.791，最大回撤指標值為1.67%。首先，評價該方案的盈利能力，基于CAPM模型的量化選股方案在2019年7月8日到2019年7月31日進行模擬交易，策略收益率比滬深300指數高2.47%，基于復利的超額收益率為2.5%；然后，評價方案的抗風險能力，該方案的最大回撤指標值低于2%，說明該方案本身較為穩(wěn)定，在交易期間沒有出現大幅度的回撤，貝塔指標值接近0.8，說明該方案得到的投資組合走勢與滬深300指數走勢雖然具有一定的相關性，但是波

第二章傳統(tǒng)量化選股方案15圖2-3投資組合在8月的模擬交易結果由上圖2-3，基于CAPM模型的量化選股方案進行模擬交易，投資組合收益率為8.47%，基準收益為4.92%，阿爾法指標值為1.585，夏普比率指標值為14.773，貝塔指標值為0.69，最大回撤指標值為1.17%。首先，評價方案的盈利能力，基于CAPM模型的量化選股方案在2019年8月8日到2019年8月30日進行模擬交易，策略收益率比滬深300指數高3.55%，基于復利的超額收益率為3.38%；然后，評價方案的抗風險能力，該方案的最大回撤指標值在1%附近，說明該方案構建的投資組合回撤風險較小，貝塔指標值接近0.7，說明該方案得到的投資組合走勢與滬深300指數走勢雖然具有一定的相關性，但是波動幅度卻低于滬深300指數，當大盤處于牛市時，投資組合會隨著市場的上漲而小幅上漲；最后，綜合評價方案的盈利能力和抗風險能力，該方案每承擔一單位風險，可以獲得14.773的超額報酬。另外，該方案在2019年8月8日到8月30日期間具有較強的選股能力，首先，在總交易次數中，策略盈利的次數占72.7%，盈虧比為4.708，即在投資虧損時，虧損1元，當投資盈利時，可以盈利4.708元，其次，該方案的賬戶總價值在模擬交易期間呈現逐漸上升的趨勢，截止到模擬交易最后一天，賬戶總價值達到最大，見表2-2，賬戶所持有的11只股票中，只有一只股票下跌，其余股票均上漲。表2-2收益表（單位：元）標的市值/價值收益牧原股份884405301.08濰柴動力914823642.1海螺水泥867461820.95海天味業(yè)9173612168瀘州老窖9688017635


本文編號：3348626