本文關(guān)鍵詞： 隨機(jī)森林 PCA BARRA模型 量化對(duì)沖　出處：《西安科技大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：近幾年,隨著國(guó)內(nèi)上市公司越來越多,同時(shí)伴隨著市場(chǎng)的大起大落,使人們意識(shí)到傳統(tǒng)定性投資方法的局限性。因此,國(guó)外業(yè)績(jī)較為突出的量化投資策略引起了國(guó)內(nèi)投資者的關(guān)注。本文基于BARRA的理論框架,進(jìn)行了如下研究:(1)首先,基于BARRA結(jié)構(gòu)化多因子風(fēng)險(xiǎn)模型,構(gòu)建了本文的純因子檢驗(yàn)?zāi)Ｐ秃虰ARRA量化對(duì)沖模型。(2)針對(duì)BARRA量化對(duì)沖模型中多個(gè)同類因子等權(quán)合成從而導(dǎo)致重要信息不突出的問題,給出了使用隨機(jī)森林獲得多個(gè)因子的重要程度,進(jìn)而將其作為因子權(quán)重的方法。首先,結(jié)合最大化穩(wěn)健收益的策略目標(biāo),給出了樣本的分類屬性;進(jìn)而結(jié)合對(duì)沖模型需要選擇風(fēng)格暴露方向的特點(diǎn),給出了分樣本集學(xué)習(xí)以確定因子權(quán)重的方法。實(shí)證結(jié)果表明,使用該方法所得的因子權(quán)重相比等權(quán)處理方法,,具有明顯的改進(jìn)效果。(3)針對(duì)BARRA量化對(duì)沖模型中加權(quán)合成的風(fēng)格因子之間存在信息重疊進(jìn)而導(dǎo)致因子收益率估計(jì)不準(zhǔn)確的問題,給出了使用PCA的方法在同類因子中進(jìn)行信息提取,以增強(qiáng)模型參數(shù)估計(jì)準(zhǔn)確度的思路。具體是將一類風(fēng)格中的若干因子進(jìn)行PCA處理,綜合考慮各成分的信息貢獻(xiàn)率以及與其它風(fēng)格因子之間的線性相關(guān)性,從而選擇一個(gè)主成分作為該類風(fēng)格因子的替代。實(shí)證結(jié)果表明,這一處理方法,雖然會(huì)使某些風(fēng)格損失部分有價(jià)值的信息,但模型整體估計(jì)的準(zhǔn)確度有所提升,從而為對(duì)沖模型風(fēng)格暴露的設(shè)置提供了更可靠的依據(jù)。(4)鑒于多因子模型的實(shí)現(xiàn)和測(cè)試環(huán)節(jié)眾多、容易出錯(cuò)的問題,本文設(shè)計(jì)并實(shí)現(xiàn)了一套完整的多因子量化選股系統(tǒng)。通過試運(yùn)行,結(jié)果表明該系統(tǒng)提高了模型測(cè)試與應(yīng)用的準(zhǔn)確度和效率,為投資者提供了有效的選股工具。
[Abstract]:In recent years, with more and more domestic listed companies, and accompanied by the ups and downs of the market, people are aware of the limitations of traditional qualitative investment methods. The quantitative investment strategy with outstanding performance abroad has attracted the attention of domestic investors. Based on the theoretical framework of BARRA, this paper makes the following research as follows: 1) first, based on the structured multi-factor risk model of BARRA, The pure factor test model and the BARRA quantitative hedging model are constructed in this paper. Aiming at the problem of equal-weight synthesis of multiple similar factors in the BARRA quantitative hedging model, the important information is not prominent. In this paper, the importance of using random forest to obtain multiple factors is given, and then it is regarded as the weight of factors. Firstly, the classification attributes of samples are given in combination with the strategic goal of maximizing robust returns. Furthermore, considering the characteristic that hedging model needs to choose the direction of style exposure, the method of learning by sample set to determine the weight of factor is given. The empirical results show that, Compared with the equal weight processing method, the factor weight obtained by this method has obvious improvement effect. (3) aiming at the problem of information overlap among the weighted composite style factors in the BARRA quantitative hedging model, which leads to inaccurate estimation of the factor return rate. The idea of using PCA to extract information from similar factors to enhance the accuracy of model parameter estimation is given. In particular, some factors in a class of styles are processed by PCA. Considering the information contribution rate of each component and the linear correlation between each component and other style factors, a principal component is selected as the substitution of this kind of style factor. Although some styles may lose some valuable information, the accuracy of the overall estimation of the model has improved, thus providing a more reliable basis for hedging model style exposure settings.) given the numerous steps in the implementation and testing of multi-factor models, In this paper, a complete multi-factor quantitative stock selection system is designed and implemented. The results show that the system improves the accuracy and efficiency of model testing and application, and provides an effective stock selection tool for investors.
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：F832.51;O212.4;TP311.52

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王衛(wèi)紅;卓鵬宇;;基于PCA-FOA-SVR的股票價(jià)格預(yù)測(cè)研究[J];浙江工業(yè)大學(xué)學(xué)報(bào);2016年04期

2 曹正鳳;紀(jì)宏;謝邦昌;;使用隨機(jī)森林算法實(shí)現(xiàn)優(yōu)質(zhì)股票的選擇[J];首都經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào);2014年02期

3 蔡紅;陳榮耀;;基于PCA-BP神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)研究[J];計(jì)算機(jī)仿真;2011年03期

4 徐國(guó)祥;楊振建;;PCA-GA-SVM模型的構(gòu)建及應(yīng)用研究——滬深300指數(shù)預(yù)測(cè)精度實(shí)證分析[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2011年02期

5 王源昌;汪來喜;羅小明;;F-F三因子資產(chǎn)定價(jià)模型的擴(kuò)展及其實(shí)證研究[J];金融理論與實(shí)踐;2010年06期

6 方匡南;朱建平;謝邦昌;;基于隨機(jī)森林方法的基金收益率方向預(yù)測(cè)與交易策略研究[J];經(jīng)濟(jì)經(jīng)緯;2010年02期

7 孟慶順;;CAPM在中國(guó)股票市場(chǎng)的實(shí)證檢驗(yàn)[J];長(zhǎng)春大學(xué)學(xué)報(bào);2006年01期

8 張宗新;朱偉驊;;中國(guó)證券市場(chǎng)系統(tǒng)性風(fēng)險(xiǎn)結(jié)構(gòu)的實(shí)證分析[J];經(jīng)濟(jì)理論與經(jīng)濟(jì)管理;2005年12期

9 羅洪浪,王浣塵;中國(guó)股市動(dòng)量策略和反向策略的贏利性[J];系統(tǒng)工程理論方法應(yīng)用;2004年06期

10 靳云匯,劉霖;中國(guó)股票市場(chǎng)CAPM的實(shí)證研究[J];金融研究;2001年07期

相關(guān)碩士學(xué)位論文 前10條

1 朱世清;多因子選股模型的構(gòu)建與應(yīng)用[D];山東財(cái)經(jīng)大學(xué);2015年

2 韓燕龍;基于隨機(jī)森林的指數(shù)化投資組合構(gòu)建研究[D];華南理工大學(xué);2015年

3 段瑾怡;基于Fama-French三因素模型對(duì)我國(guó)盈余公告后漂移現(xiàn)象的研究[D];西北大學(xué);2014年

4 王志;基于PCA-NBC算法的股票分類研究[D];蘭州大學(xué);2014年

5 余媛媛;BARRA模型對(duì)國(guó)內(nèi)ETF市場(chǎng)業(yè)績(jī)的歸因分析[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2014年

6 江方敏;基于多因子量化模型的A股投資組合選股分析[D];西南交通大學(xué);2013年

7 張婧怡;基于數(shù)據(jù)挖掘技術(shù)的股票投資實(shí)證研究[D];重慶大學(xué);2013年

8 詹財(cái)鑫;基于SVM_AdaBoost模型的股票漲跌實(shí)證研究[D];華南理工大學(xué);2013年

9 朱博雅;一種基于數(shù)據(jù)挖掘的量化投資系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];復(fù)旦大學(xué);2012年

10 石煜;基于數(shù)據(jù)挖掘的數(shù)量化模型選股分析平臺(tái)[D];電子科技大學(xué);2012年

，

本文編號(hào)：1506119