阅读量：

2027

作者：

李斌，邵新月，李玥阳

展开

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.

展开

关键词：

基本面量化投资 市场异象因子 机器学习 深度学习

DOI：

10.19581/j.cnki.ciejournal.2019.08.004

年份：

2019