發(fā)布時間：2025-01-15 18:29

　　 基本面量化投資是近年來金融科技和量化投資研究的新熱點。作為人工智能的代表性技術(shù),機器學(xué)習(xí)能夠大幅度提高經(jīng)濟學(xué)和管理學(xué)中預(yù)測類研究的效果。本文系統(tǒng)性地運用機器學(xué)習(xí),來提升基本面量化投資中的股票收益預(yù)測模塊�；�于1997年1月至2018年10月A股市場的96項異象因子,本文采用預(yù)測組合算法、Lasso回歸、嶺回歸、彈性網(wǎng)絡(luò)回歸、偏最小二乘回歸、支持向量機、梯度提升樹、極端梯度提升樹、集成神經(jīng)網(wǎng)絡(luò)、深度前饋網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)等12種機器學(xué)習(xí)算法,構(gòu)建股票收益預(yù)測模型及投資組合。實證結(jié)果顯示,機器學(xué)習(xí)算法能夠有效地識別異象因子—超額收益間的復(fù)雜模式,其投資策略能夠獲得比傳統(tǒng)線性算法和所有單因子更好的投資績效,基于深度前饋網(wǎng)絡(luò)預(yù)測的多空組合最高能夠獲得2.78%的月度收益。本文進一步檢驗了因子在預(yù)測模型中的重要性,發(fā)現(xiàn)交易摩擦因子在A股市場具有較強的預(yù)測能力,深度前饋網(wǎng)絡(luò)在篩選因子數(shù)據(jù)上的多空組合月度收益達(dá)到了3.41%。本文嘗試將機器學(xué)習(xí)引入基本面量化投資領(lǐng)域,有助于促進人工智能、機器學(xué)習(xí)與經(jīng)濟學(xué)和管理學(xué)的交叉融合研究,為推進國家人工智能戰(zhàn)略的有效實施提供參考。

【文章頁數(shù)】：19 頁

【文章目錄】：
一、引言
二、文獻綜述
三、研究設(shè)計
    1. 模型總體設(shè)計
    2. 機器學(xué)習(xí)預(yù)測算法
    3. 數(shù)據(jù)來源與樣本選取
四、實證結(jié)果與分析
    1. 機器學(xué)習(xí)驅(qū)動的基本面量化投資模型在A股市場的績效
    2. 機器學(xué)習(xí)算法集成后的基本面量化投資模型在A股市場的績效
    3. 考慮交易成本時的實證績效
    4. 剔除市值因子后的模型績效
    5. 變動滑動窗口時的績效
五、進一步分析：異象因子的重要性
六、結(jié)論與啟示
    1. 研究結(jié)論
    2. 啟示與建議



本文編號：4027688