對"通過機(jī)器學(xué)習(xí)優(yōu)化股票多因子模型"問題進(jìn)行詳細(xì)分析.首先,給出了因子篩選的聚類方法,從各大類因子中篩選出具有代表性的最優(yōu)因子;然后,應(yīng)用3種機(jī)器學(xué)習(xí)模型,即SVM模型、GBDT模型和XGboost模型,構(gòu)建了機(jī)器學(xué)習(xí)選股模型,與傳統(tǒng)的等權(quán)重線性多因子模型相比,預(yù)測效果有了很大的改進(jìn);最后,從機(jī)器學(xué)習(xí)模型輸入因子有效性的角度改進(jìn)了風(fēng)險(xiǎn)控制.

【文章頁數(shù)】：10 頁

【部分圖文】：

圖1 部分因子滯后1～6期的相關(guān)系數(shù)均值圖

在評價機(jī)器學(xué)習(xí)模型的表現(xiàn)時，通常會使用交叉驗(yàn)證方法對不曾在訓(xùn)練環(huán)節(jié)中出現(xiàn)的樣本進(jìn)行驗(yàn)證．如果模型在驗(yàn)證時的性能與訓(xùn)練時大致相同，那么就可以確信模型具備良好的泛化能力．根據(jù)訓(xùn)練集和驗(yàn)證集的劃分方式不同，交叉驗(yàn)證方法主要有簡單交叉驗(yàn)證法、K折交叉驗(yàn)證法、留一法和留P法，這些方法都有一....

圖2 對輸入特征做標(biāo)準(zhǔn)化處理前后線性SVM的效果圖

SVM對變量預(yù)處理比較敏感[5]，如果對輸入變量不做標(biāo)準(zhǔn)化處理，則難以對輸入樣本進(jìn)行區(qū)分．例如，對測試數(shù)據(jù)集（x,y)=(1,50),(5,20),(3,80),(5,60），相應(yīng)的類別為1,1,-1,-1，用線性SVM作正負(fù)例劃分．與未做標(biāo)準(zhǔn)化處理的結(jié)果相比較，可以發(fā)現(xiàn)對測試數(shù)....

圖3 XGboost有效因子信息增強(qiáng)樣本內(nèi)外效果圖

最后，采用有效因子信息增強(qiáng)的XGboost選股增強(qiáng)模型進(jìn)行選股回測，樹深度取為4，每期選股數(shù)量為30個標(biāo)的，樣本內(nèi)外效果見圖3，圖3(a）為累計(jì)凈值；圖3(b）是樣本內(nèi)外期間的回撤序列．樣本內(nèi)外的最大回撤為-3.5%，樣本內(nèi)外累計(jì)收益為54.05%，年化Sharpe比率為5.44....

本文編號：4046140