基于機器學習的量化選股研究.pdf

1、近年來，量化投資憑借其精力無限、依靠概率取勝和紀律性強的優(yōu)勢受到越來越多的關(guān)注。與西方成熟市場相比，我國量化投資還處于起步階段，存在量化投資產(chǎn)品規(guī)模小、策略缺乏多樣性、業(yè)績表現(xiàn)分化的不足。盡管如此，從我國實情來看，量化投資仍會有很廣闊的發(fā)展前景。因此，對于量化選股方法的理論及實踐進行研究，構(gòu)建適合A股市場的選股策略，并以此指導(dǎo)投資者進行量化投資有很重要的現(xiàn)實意義。
　　股票市場是一個低信噪比的、復(fù)雜的非線性系統(tǒng)，而機器學習在諸多領(lǐng)

2、域如搜索和語音識別中均被證明是針對模糊非線性數(shù)據(jù)進行建模的強有力工具，使用機器學習方法來構(gòu)建量化投資策略具有一定的天然優(yōu)勢。選股本質(zhì)是一個排序問題，投資者都希望能挑選出相對于其他股票在未來表現(xiàn)更好的股票，基于此，本文嘗試將機器學習領(lǐng)域中兩種較為成熟的學習排序算法GBDT和GBRank應(yīng)用到選股問題中。本文以技術(shù)分析為理論根據(jù)，先后構(gòu)建了基于模式識別的短線選股策略和基于動量和反轉(zhuǎn)效應(yīng)的長線選股策略。前者根據(jù)個股在過去一個月內(nèi)的價格走勢形態(tài)

3、構(gòu)來建特征向量，利用機器學習算法自動進行模式識別;后者以不同時間周期的動量、反轉(zhuǎn)因子為基礎(chǔ)構(gòu)建特征向量，利用機器學習算法從大量數(shù)據(jù)中自動學習動量、反轉(zhuǎn)效應(yīng)在時間尺度上的分布規(guī)律。實驗結(jié)果表明，采用GBDT排序算法的兩個策略，在過去4年的時間里均可大幅跑贏滬深300指數(shù)，對交易者的投資決策具有一定的參考意義。
　　本文的創(chuàng)新之處在于:將機器學習與技術(shù)分析結(jié)合，構(gòu)建了基于模式識別、以及基于動量反轉(zhuǎn)效應(yīng)的量化選股策略，解決了傳統(tǒng)選股方法