阅读量：

646

作者：

李文宇

展开

摘要：

多因子选股模型是量化投资的经典模型之一,其主要思想是依据金融理论获取一些与股票收益率相关的因子数据,通过数学算法分析拟合多个因子与收益率之间的关系,之后各类投资者利用构建好的模型建立策略选择股票并进行投资以获取高收益.随着人工智能的不断发展,在处理高维数据问题时,广泛应用机器学习算法,可以得到更好的效果.因此本文基于机器学习构建了新的多因子选股模型和策略,对不同方法得到的策略进行回测,并将回测结果进行对比.本文首先介绍了多因子选股模型的理论基础,Softmax回归处理多分类问题的理论和优化方法以及利用RankNet算法建立机器学习排序模型的概念和步骤.之后,从RiceQuant量化交易平台获取201 1年1月1日至2017年12月31日的因子数据和股票收益率数据,通过因子有效性分析筛选因子,并且利用主成分分析处理数据,避免因子间相关性强而产生多重共线性的问题.最后构建三个多因子选股模型,一是利用回归法拟合股票收益率与多因子之间的线性关系;二是将收益率按大小分为十类,通过Softmax回归算法建立多分类模型,并对比不同优化算法的差异;三是基于神经网络实现RankNet算法,预测股票收益率的排序情况.再利用构建好的模型编写多因子选股策略,在2018年1月1日至2020年10月30日进行实证分析回测,对比不同模型的回测结果,显示用Softmax回归建立的模型的收益率更高,用RankNet算法建立的排序模型更加准确,回测收益率略低于Softmax回归模型,但其面临亏损的风险更小.

展开