由于經(jīng)濟(jì)的日益全球化發(fā)展,中國的資本市場也變得日益復(fù)雜,其規(guī)模也在發(fā)展的過程中逐漸擴(kuò)大,市場中各式各樣的投資種類層出不窮,投資的數(shù)目也變得越來越大,不管是投資資金的來源是個人還是機(jī)構(gòu),他們所擁有的投資渠道和方式也因此呈上升趨勢。其中,一種新興的投資方式——量化投資,正在吸引了越來越多的投資人的目光。量化投資起源于國外資本市場,以一種全新的先進(jìn)技術(shù)在海外資本市場掀起了巨大的波瀾^[1]。本文主要是研究如何將人工智能和傳統(tǒng)多因子模型的量化投資策略結(jié)合在—起,構(gòu)建基于機(jī)器學(xué)習(xí)的選股策略。通過該策略,從上市股票中選取具有投資價值的股票構(gòu)建投資組合,從而希望可以通過這樣的方式獲取穩(wěn)定的高額收益回報。這種策略優(yōu)勢明顯,既可以擴(kuò)充傳統(tǒng)的因子選股模型構(gòu)建方式的內(nèi)容,又可以在研究者進(jìn)行深入探究的時候給予方向和數(shù)據(jù)。本文則從該方面入手,選擇了中證全指成份股2015年1月至2018年7月的交易日的因子截面數(shù)據(jù)作為數(shù)據(jù)樣本。構(gòu)建流程主要分為數(shù)據(jù)預(yù)處理與構(gòu)建模型,檢驗?zāi)Ｐ蜆?gòu)建是否具有可行性,對使用該模型得到的結(jié)果進(jìn)行研究分析,對該模型進(jìn)行全面的優(yōu)化升級。本文分別采用了機(jī)器學(xué)習(xí)算法里的線性回歸... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

決策樹例子

上海交通大學(xué)MBA學(xué)位論文基于機(jī)器學(xué)習(xí)的選股策略實證研究20候往往是為了用于交叉驗證訓(xùn)練后的機(jī)器學(xué)習(xí)模型，或者可以用于選擇模型參數(shù)。3.測試集（Testset）：對于模型來說是未知數(shù)據(jù)，用于評估最終模型。（來源：CSDN1）圖2訓(xùn)練集、驗證集和測試集FIGURE2Trainningset、ValidationsetandTestset（2）泛化、過擬合和欠擬合如果一個算法對沒見過的數(shù)據(jù)做出準(zhǔn)確的預(yù)測，則稱它能夠從訓(xùn)練集泛化（generalize）到測試集。一般來說，總是想要構(gòu)建一個泛化精度盡可能高的算法。判斷一個算法在新數(shù)據(jù)上表現(xiàn)好壞的唯一度量，就是在測試集上的評估。一般來說，簡單的模型對新數(shù)據(jù)的泛化能力更好。構(gòu)建一個對現(xiàn)有信息量來說過于復(fù)雜的模型，稱為過擬合（overfitting）。這種情況下，在擬合模型時過分關(guān)注訓(xùn)練集的細(xì)節(jié)，得到了一個在訓(xùn)練集上表現(xiàn)很好，但不能泛化到測試集或新數(shù)據(jù)上的模型，那么就存在過擬合。與之相反，如果模型過于簡單，那么可能無法抓住數(shù)據(jù)的全部內(nèi)容以及數(shù)據(jù)中的變化，模型在一開始訓(xùn)練集上的表現(xiàn)就很差，這種現(xiàn)象稱之為欠擬合（underfitting）。模型越復(fù)雜，在訓(xùn)練集上的預(yù)測結(jié)果就越好，但是由于模型過于復(fù)雜，使得我們過多地關(guān)注1https://blog.csdn.net/lhx878619717/article/details/49079785

上海交通大學(xué)MBA學(xué)位論文基于機(jī)器學(xué)習(xí)的選股策略實證研究21訓(xùn)練集上的每個單獨的數(shù)據(jù)點，模型就不能很好地泛化到新數(shù)據(jù)上。過擬合和欠擬合之間存在一個最佳位置，參考圖3的中間位置，可以得到最好的泛化模型。這是模型探索的最終目標(biāo)。（來源：CNBLOG2）圖3模型復(fù)雜度與預(yù)測誤差關(guān)系FIGURE3Relationshipbetweenmodelcomplexityandpredictionerror（3）交叉驗證交叉驗證（Cross-validation），也稱循環(huán)估計，是一種評估泛化性能的統(tǒng)計學(xué)方法，它比單次劃分訓(xùn)練集和測試集的方法更加穩(wěn)定全面。在交叉驗證中，數(shù)據(jù)被多次劃分為訓(xùn)練集和測試集，或者保留測試集不動，將訓(xùn)練集多次劃分為訓(xùn)練集和驗證集。本文采用后者。常見的交叉驗證是K折交叉驗證（k-foldcross-validation），其中K是由用戶指定的數(shù)字在執(zhí)行K折交叉驗證時，首先將訓(xùn)練集劃分為大致相等的K部分，每一部分稱之為折（fold）。接下來訓(xùn)練一系列模型。使用第K折作為驗證集，來評估精度，其他折（1~K-1）作為訓(xùn)練集來訓(xùn)練第一個模型。依次使用第K-1、K-2、…..2、1折作為驗證集，其他折作為訓(xùn)練集來訓(xùn)練不同的模型，每一次都計算精度，最后得到K個精度值。以K=10為例，十折交叉驗證可參考圖4所示。2https://www.cnblogs.com/sthinker/p/6837597.html

【參考文獻(xiàn)】：
期刊論文
[1]基于市場資金流向的商品期貨量化交易策略研究[J]. 彭素靜,賈秀燕,謝芮.  商場現(xiàn)代化. 2018(12)
[2]協(xié)整套利下的股票市場實證分析[J]. 王晶.  市場周刊. 2018(06)
[3]綜采工作面裝備機(jī)器人化技術(shù)研究[J]. 牛劍峰.  煤礦機(jī)電. 2018(02)
[4]基于機(jī)器學(xué)習(xí)對優(yōu)質(zhì)股的選擇[J]. 王智.  電子制作. 2018(07)
[5]全球首只機(jī)器人選股誕生[J]. 董偉.  計算機(jī)與網(wǎng)絡(luò). 2017(22)
[6]多因子量化模型在投資組合中的應(yīng)用——基于LASSO與Elastic Net的比較研究[J]. 謝合亮,胡迪.  統(tǒng)計與信息論壇. 2017(10)
[7]基于多因子模型的量化選股分析[J]. 徐景昭.  金融理論探索. 2017(03)
[8]ML-TEA:一套基于機(jī)器學(xué)習(xí)和技術(shù)分析的量化投資算法[J]. 李斌,林彥,唐聞軒.  系統(tǒng)工程理論與實踐. 2017(05)
[9]A股牛熊市特征及追漲殺跌交易策略實證研究[J]. 陳珂,陳偉.  特區(qū)經(jīng)濟(jì). 2017(02)
[10]智能投顧:新金融的下一戰(zhàn)場[J]. 許亞嵐.  經(jīng)濟(jì). 2016(32)

博士論文
[1]五因子資產(chǎn)定價模型及其在我國證券市場的應(yīng)用研究[D]. 高春亭.重慶大學(xué) 2016

碩士論文
[1]高頻交易下的滬深300股指期貨跨期套利研究[D]. 史玥明.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2018
[2]投資者情緒和上證指數(shù)關(guān)系的實證研究[D]. 侯瑞波.山西財經(jīng)大學(xué) 2018
[3]基于聚寬量化投資平臺的股票多因子策略應(yīng)用[D]. 楊世林.浙江大學(xué) 2018
[4]面向A股的基本面量化交易策略的設(shè)計[D]. 陳子寧.電子科技大學(xué) 2018
[5]基于Logistic回歸的Barra因子選股模型研究[D]. 張冬陽.南京大學(xué) 2018
[6]隨機(jī)森林在技術(shù)指標(biāo)量化選股中的應(yīng)用[D]. 吳衛(wèi)星.電子科技大學(xué) 2018
[7]滬深300指數(shù)量化增強(qiáng)策略研究[D]. 范嘉琪.河北經(jīng)貿(mào)大學(xué) 2018
[8]機(jī)器學(xué)習(xí)算法對中國A股的適應(yīng)性比較[D]. 謝翔.暨南大學(xué) 2017
[9]截面型多因子量化模型在滬深300指數(shù)的投資應(yīng)用研究[D]. 郭磊.北京交通大學(xué) 2017
[10]基于統(tǒng)計套利的A股量化交易策略研究[D]. 陳斌.青島大學(xué) 2017



本文編號：3383780