基于boosting模型的逆向投资策略研究

论文摘要

本文创新性地将机器学习中的Boosting模型与逆向投资策略相结合,并探索将其用在中国证券市场,希望即能保留逆向投资的思想理念,寻找市场阶段性关注度较低或未被人挖掘出来但基本面良好的股票进行投资;同时又能利用机器学习的高效数据分析和准确客观判断的优势,排除投资者的非理性情绪影响,从而形成更为有效易行的策略方案。本文选取的股票池是自2007年以来的全A股,剔除ST和停牌、刚上市三月内的股票。根据逆向投资策略的要点和衡量标准,对成交量、涨跌幅、收盘价等各类数据信息进行筛选并合成出相应的指标,再对其进行特征提取、数据预处理和训练期参数调节等过程;随后按机器学习方法,对Boosting模型进行样本内外滚动训练学习、重要性分析、分层测试分析等流程步骤,并对模型结果和回测组合进行比较和优化,主要包括Boosting模型内部细分算法(GBDT、XGBoost、Adaboost)比较、与线性回归、支持向量机、随机森林和朴素贝叶斯等对照模型比较、选股组合按是否行业中性进行比较、不同调仓频率(分月度和季度)的回测比较分析以及模型止损优化等步骤,最终获得较为理想的方案。基于以上研究过程,本文发现XGBoost分类正确率略微胜于Adaboost和GBDT,而运行速度和模拟回测效果远胜于其他两种。其次,XGBoost模型在分类效果指标正确率和收益率上均胜于线性回归、支持向量机、随机森林和朴素贝叶斯等对照算法模型,但最大回撤率不及线性回归模型,而运算速度上有明显优势,其他所需运算时间普遍为XGBoost的2~8倍。同时按选股是否行业中性及不同数目进行比较,发现随选股数量的增多,收益率逐渐下降,最大回撤率则提高,表现最优的是各行业入选2只股票,或全A股市场选择20只股票。而月度调仓组合和季度相比,除最大回撤率相对较高外,其他指标如收益率、夏普比率等均更优。而在加入止损条件后,年化收益率明显提高,可达28.5%,最大回撤率也有显著下降,优化效果明显,逆向投资策略在中国证券市场仍有效。由于XGBoost较为复杂,策略模型搭建和优化上仍有些不足,未来可以在回测训练参数、构建的策略指标以及止损条件等进一步优化和完善。

论文目录

• 致谢
• 摘要
• abstract
• 1 绪论
•   1.1 研究的背景
•     1.1.1 逆向投资的策略思想
•     1.1.2 机器学习的概况
•   1.2 研究的意义和目的
•     1.2.1 理论意义
•     1.2.2 现实意义
•   1.3 研究内容与设计路线
•     1.3.1 研究内容
•     1.3.2 设计路线
• 2 文献综述及相关原理
•   2.1 逆向投资策略的研究现状
•   2.2 基于机器学习的证券研究现状
•   2.3 Boosting算法分类及相关理论
• 3 Boosting模型指标体系构建
•   3.1 股票池建立
•   3.2 细分衡量指标构建
•   3.3 数据预处理
•     3.3.1 去极值化
•     3.3.2 缺失值处理
•     3.3.3 中性化处理
•     3.3.4 标准化处理
•   3.4 训练样本的合成
•     3.4.1 特征参数的确定
•     3.4.2 训练时长的确定
• 4 Boosting模型设定及优化
•   4.1 机器学习衡量指标
•   4.2 七阶段模型滚动训练
•   4.3 指标重要度分析
•   4.4 样本外分层测试
•   4.5 构建回测组合
• 5 回测组合的评价及优化
•   5.1 模型回测的评价指标
•   5.2 Boosting模型之间的回测组合比较
•   5.3 Boosting与其他算法回测组合的比较
•   5.4 XGBoost模型的回测优化分析
•     5.4.1 月度调仓与季度调仓对比
•     5.4.2 分行业XGBoost模型组合效果对比
•     5.4.3 模型组合的止损优化对比
• 6 结论及研究展望
•   6.1 研究结论
•   6.2 可能的创新点
•   6.3 研究展望
• 参考文献
• 附录

文章来源

类型: 硕士论文

作者: 韩立强

导师: 王义中,邵少敏

关键词: 逆向投资,机器学习,模型,智能交易

来源: 浙江大学

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: 浙江大学

分类号: F832.51;F224

DOI: 10.27461/d.cnki.gzjdx.2019.000350

总页数: 79

文件大小: 2957K

下载量: 337