基于因子情境的机器学习多因子选股模型

论文摘要

对"通过机器学习优化股票多因子模型"问题进行详细分析.首先,给出了因子筛选的聚类方法,从各大类因子中筛选出具有代表性的最优因子;然后,应用3种机器学习模型,即SVM模型、GBDT模型和XGboost模型,构建了机器学习选股模型,与传统的等权重线性多因子模型相比,预测效果有了很大的改进;最后,从机器学习模型输入因子有效性的角度改进了风险控制.

论文目录

• 1 问题的提出
• 2 数据选取与预处理
• 3 因子筛选
•   3.1 因子有效性度量指标
•   3.2 选股周期频率
•   3.3 基于相关性的因子聚类
• 4 机器学习多因子选股模型
•   4.1 等权重线性多因子模型
•   4.2 机器学习选股模型的选择
•   4.3 机器学习选股模型的评价指标的选择
•   4.4 机器学习选股模型的过拟合问题
•   4.5 机器算法选股模型构建算法
•     4.5.1 线性SVM选股增强模型
•     4.5.2 GBDT模型
•     4.5.3 XGboost模型
•     4.5.4 机器学习选股增强模型的比较
• 5 基于因子有效数量的增强学习
• 6 评阅情况简述
• 7 结语

文章来源

类型: 期刊论文

作者: 乐斌,蔡志杰,胡伟超

关键词: 机器学习,多因子模型,因子有效性,比率

来源: 数学建模及其应用 2019年04期

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,金融,证券,投资

单位: 复旦大学数学科学学院,上海市现代应用数学重点实验室,非线性数学模型与方法教育部重点实验室

分类号: F832.51;F224

页码: 10-19

总页数: 10

文件大小: 262K

下载量: 489