机器学习驱动的基本面量化投资研究

论文摘要

基本面量化投资是近年来金融科技和量化投资研究的新热点。作为人工智能的代表性技术,机器学习能够大幅度提高经济学和管理学中预测类研究的效果。本文系统性地运用机器学习,来提升基本面量化投资中的股票收益预测模块。基于1997年1月至2018年10月A股市场的96项异象因子,本文采用预测组合算法、Lasso回归、岭回归、弹性网络回归、偏最小二乘回归、支持向量机、梯度提升树、极端梯度提升树、集成神经网络、深度前馈网络、循环神经网络和长短期记忆网络等12种机器学习算法,构建股票收益预测模型及投资组合。实证结果显示,机器学习算法能够有效地识别异象因子—超额收益间的复杂模式,其投资策略能够获得比传统线性算法和所有单因子更好的投资绩效,基于深度前馈网络预测的多空组合最高能够获得2.78%的月度收益。本文进一步检验了因子在预测模型中的重要性,发现交易摩擦因子在A股市场具有较强的预测能力,深度前馈网络在筛选因子数据上的多空组合月度收益达到了3.41%。本文尝试将机器学习引入基本面量化投资领域,有助于促进人工智能、机器学习与经济学和管理学的交叉融合研究,为推进国家人工智能战略的有效实施提供参考。

论文目录

• 一、引言
• 二、文献综述
• 三、研究设计
•   1. 模型总体设计
•   2. 机器学习预测算法
•   3. 数据来源与样本选取
• 四、实证结果与分析
•   1. 机器学习驱动的基本面量化投资模型在A股市场的绩效
•   2. 机器学习算法集成后的基本面量化投资模型在A股市场的绩效
•   3. 考虑交易成本时的实证绩效
•   4. 剔除市值因子后的模型绩效
•   5. 变动滑动窗口时的绩效
• 五、进一步分析：异象因子的重要性
• 六、结论与启示
•   1. 研究结论
•   2. 启示与建议

文章来源

类型: 期刊论文

作者: 李斌,邵新月,李玥阳

关键词: 基本面量化投资,市场异象因子,机器学习,深度学习

来源: 中国工业经济 2019年08期

年度: 2019

分类: 经济与管理科学,信息科技

专业: 自动化技术,金融,证券,投资

单位: 武汉大学经济与管理学院

基金: 教育部人文社会科学研究青年项目“机器学习与技术分析融合视角下资产收益预测与投资组合策略研究”（批准号18YJCZH072）,武汉大学人文社会科学青年学者学术团队建设计划项目“大数据驱动的投资管理研究团队”（批准号WHU2016012）,国家自然科学基金重大研究计划“大数据驱动的管理与决策研究”重点支持项目“基于知识关联的金融大数据价值分析,发现及协同创造机制”（批准号91646206）

分类号: TP181;F832.51

DOI: 10.19581/j.cnki.ciejournal.2019.08.004

页码: 61-79

总页数: 19

文件大小: 1684K

下载量: 5881