量化投資歷經(jīng)40余年的發(fā)展,因其可持續(xù)獲得超額收益的優(yōu)勢得到廣泛流行。如今,大數(shù)據(jù)時代計算機技術(shù)的發(fā)展勢不可擋,隨著機器學(xué)習(xí)算法的不斷迭代更新以及優(yōu)化,投資領(lǐng)域的相關(guān)研究也必須與時俱進,量化投資策略更是層出不窮、日新月異。與此同時,正是機器學(xué)習(xí)、人工智能以及數(shù)十億高頻數(shù)據(jù)信號的可用性方面的最新進展,使得模型選擇成為一項具有挑戰(zhàn)性和緊迫性的需求。許多投資公司和基金經(jīng)理依賴于回測（即基于歷史市場數(shù)據(jù)的性能模擬）來選擇投資策略和分配資本。金融發(fā)現(xiàn)通常涉及到識別一種低信噪比的現(xiàn)象,通常的做法是使用計算能力校準(zhǔn)投資策略的參數(shù),以使其績效最大化。但是,低信噪比很容易導(dǎo)致這種校準(zhǔn)結(jié)果是基于過去的噪聲選擇參數(shù),而不是基于未來的信號,這樣就發(fā)生了回測過擬合。回測過擬合是選擇的一種投資策略在回測期間表現(xiàn)出色,但在實踐中卻表現(xiàn)不佳的現(xiàn)象。對于回測過擬合的評估并不是一件容易的事,相關(guān)方向的研究也甚是匱乏。David H.Bailey和Marcos L’opez de Prado等學(xué)者關(guān)注到了這一問題并進行了相關(guān)研究,在2017年給出了關(guān)于回測過擬合的量化定義,同時提出了一種估計回測過擬合概率的方法——組合對稱... 

【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)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１生成匕對稱組合??

接尋找最優(yōu)分離超平面；而當(dāng)樣本空間線性不可分時，則通過核函數(shù)將輸入空??間映射到一個高維的特征空間，在高維特征空間中尋找最優(yōu)分離超平面。因此，??該方法應(yīng)用線性模型的概念，在特征高維空間中將輸入經(jīng)過非線性映射分離出來。??在新空間中構(gòu)造的線性模型可以表示原空間的非線性決策。??在樣本空間中，超平面的表達式如下：??ｗＴｘ?＋?ｂ?＝?０，??而樣本空間中任一點ｘ到超平面的距離可寫為：??＼ｗＴｘ?＋?ｂ＼??ｆ＝?ｌｌｗｌｌ?＇??假設(shè)超平面（Ｗ，ｂ）能將訓(xùn)練樣本正確分類，如圖３－１所示，距離超平面最近的??幾個訓(xùn)練樣本點被稱作“支持向量”，兩個分類相反的支持向量間的距離被稱作??“間隔”（記做丫?）。ＳＶＭ算法的目標(biāo)就是找到“最大間隔”的劃分超平面。??Ｈｉ??Ｖ?？??？?１??Ｙ?＝?ｙ＾??．？?０?〇??圖３－１最優(yōu)分離超平面與間隔??（１）硬間隔線性分類機??１３??

特征，選擇最佳分割特征作為節(jié)點建立ＣＡＲＴ決??策樹；??３）重復(fù)以上兩個步驟ｍ次，就可以生成ｍ棵ＣＡＲＴ決策樹，從而形成隨機森林；??４）新樣本通過每顆決策樹后，對于分類問題，通過ｍ棵ＣＡＲＴ分類樹投票決定??最終分類結(jié)果；對于回歸問題，則由ｍ棵ＣＡＲＴ回歸樹的均值得到最終預(yù)測??結(jié)果。??￣￣？訓(xùn)練集１??？分類器１——??Ｉ?Ｉ?Ｉ?Ｉ??全部訓(xùn)練樣本＾?？訓(xùn)練集ｋ??？分類器ｋ?隨機森林??Ｉ?…１?Ｉ?Ｉ??￣？訓(xùn)練集ｍ??？分類器ｍ?—??圖３－２隨機森林示意圖??３．１．３?ＸＧＢｏｏｓｔ?算法??ＸＧＢｏｏｓｔ?（ｅｘｔｒｅｍｅ?Ｇｒａｄｉｅｎｔ?Ｂｏｏｓｔｉｎｇ）算法對?Ｇｒａｄｉｅｎｔ?Ｂｏｏｓｔｉｎｇ?算法的??優(yōu)化，它提升了模型的預(yù)測能力，可以快速準(zhǔn)確地解決許多數(shù)據(jù)科學(xué)問題�；�??Ｂｏｏｓｔｉｎｇ算法的思想，ＸＧＢｏｏｓｔ將許多樹模型（ＣＡＲＴ回歸樹模型）集成在一起，??形成一個很強的分類器。給定訓(xùn)練集Ｄ?＝?｛（知％）｝，?｜川＝ｎ，?Ａｅ?ｅ?／？，第??ｉ個樣本的預(yù)測值負可以表示成ｋ棵回歸樹的加性模型，我們把它記作：??Ｋ??９ｉ?＝?＇ＹＪｆｋ（．ｘｉ），ｆｋ?Ｅ?Ｆ．??ｋ＝ｌ??此式中，Ｘｉ表示第ｉ個樣本的特征向量，通過算法每次迭代來生成一個回歸樹，??Ａ就是第ｋ次迭代所產(chǎn)生的第ｋ個回歸樹。Ｆ是所有回歸樹的集合空間：??ｆ７?＝?｛／（ｙ）?＝?－＾ｔ，ｗ?ｅ?ｒｔ）．??其中，ｑ?（ｘ）表示將樣本ｘ分類到某葉子節(jié)點上，Ｔ表示該樹葉子節(jié)點的數(shù)量，??ｗ是葉子節(jié)點的分?jǐn)?shù)，（＾＾表示回歸樹對樣本的預(yù)測值。??為了控制模型發(fā)生過擬合的風(fēng)險，ＸＧＢｏｏｓ

【參考文獻】：
期刊論文
[1]基于隨機森林的支持向量機量化選股[J]. 賈秀娟.  區(qū)域金融研究. 2019(01)
[2]基于滬深300成分股的量化投資策略研究[J]. 呂凱晨,閆宏飛,陳翀.  廣西師范大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[3]基于優(yōu)化SVM算法的上證180指數(shù)選股策略構(gòu)建[J]. 陳瑩,梁成.  金融管理研究. 2018(02)
[4]創(chuàng)業(yè)板基于logistic模型量化選股[J]. 田凱,劉永睿.  現(xiàn)代商貿(mào)工業(yè). 2017(01)
[5]隨機森林在量化選股中的應(yīng)用研究[J]. 王淑燕,曹正鳳,陳銘芷.  運籌與管理. 2016(03)
[6]使用隨機森林算法實現(xiàn)優(yōu)質(zhì)股票的選擇[J]. 曹正鳳,紀(jì)宏,謝邦昌.  首都經(jīng)濟貿(mào)易大學(xué)學(xué)報. 2014(02)
[7]基于啟發(fā)式算法的支持向量機選股模型[J]. 陳榮達,虞歡歡.  系統(tǒng)工程. 2014(02)
[8]基于SVM分類算法的選股研究[J]. 全林,姜秀珍,趙俊和,汪東.  上海交通大學(xué)學(xué)報. 2009(09)
[9]用樸素貝葉斯分類法選股[J]. 錢穎能,胡運發(fā).  計算機應(yīng)用與軟件. 2007(06)

碩士論文
[1]基于隨機森林算法的多因子選股模型研究[D]. 李杰.哈爾濱工業(yè)大學(xué) 2019
[2]隨機森林自適應(yīng)特征選擇和參數(shù)優(yōu)化算法研究[D]. 劉凱.長春工業(yè)大學(xué) 2018
[3]基于XGBoost的滬深300量化投資策略研究[D]. 田浩.上海師范大學(xué) 2018
[4]基于SVM算法的多因子選股模型實證研究[D]. 周漸.浙江工商大學(xué) 2017
[5]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
[6]支持向量機多因子選股模型[D]. 魏妹金.華僑大學(xué) 2015
[7]支持向量分類機（SVC）在量化選股中的應(yīng)用[D]. 張偉.山東大學(xué) 2014



本文編號：2996117