探究数据挖掘技术在量化选股中的应用.pdfVIP

经济管理 探究数据挖掘技术在量化选股中的应用 刘裕良 （对外贸易经济大学，北京 100029） 摘 要：量化投资是当前金融投资领域非常热门方向之一，而数据挖掘技术在金融领域也有广泛应用。本文主要概述了数据挖掘的基本概念、主 要步骤、常用模型和方法，和量化投资中的关于选股的量化选股模型，探讨和研究数据挖掘技术中的分类模型、聚类模型、关联规则和序列模式等模 型，在基本面量化选股和技术面量化选股方面的一些应用，如多因子选股、板块轮动选股和筹码选股。 关键词：数据挖掘；量化投资；量化选股 1 数据挖掘技术 关联规则的挖掘过程分两步，第一步先找出所有频繁项集，第二步由 1.1 数据挖掘概述 频繁项集产生强关联规则。[1]常用算法有Apriori算法和FP-growth算 法。 数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的 (4)序列模式 序列模式与关系规则联系密切，所不同的是序列 实际应用数据中，提取隐含在其中的，人们事先不知道的，但是又潜 模式中相关的项目或序列之间在时间维度上存在联系。序列模式挖掘 在有用的信息和知识的过程。[1]数据挖掘是一门新的交叉学科，一般 就是找出所有的频繁子序列，发现频繁序列算法大体有：类Apriori方 认为是在统计学、数据库技术、机器学习、信息科学、可视化技术乃 法、GSP算法、基于投影方法、SPADE方法。[1] 至经济学等多门学科充分发展的基础上形成的。数据挖掘概念提出以 后，金融业首先对其表现出了极大的兴趣，并率先将其纳入应用。目 2 量化投资和量化选股 前数据挖掘在国外金融领域，特别是银行已得到了广泛应用。 2.1 量化投资及其优势 1.2 数据挖掘的主要步骤 量化投资就是利用计算机技术并且采用一定的数学模型去践行投 在实际进行数据挖掘的过程中，根据CRISP-DM模型，一般可分为 资理念，实现投资策略的过程。量化投资主要是依靠数据和模型来寻 六个阶段。 找投资标的和投资策略。[3]量化投资过程就是利用数学、统计学、 (1)、业务理解：从业务角度来理解数据挖掘目标和要求，并把 信息技术的量化投资方法来管理投资标的和投资组合的过程。数量化 业务理解的知识转换成数据挖掘问题的定义和实现挖掘目标的最初规 投资的组合构建注重的是对宏观数据、市场行为、企业财务数据、交 划。 易数据进行分析，利用数据挖掘技术、统计技术、计算方法等处理数 (2)、数据理解：从数据收集开始，通过一系列的数据探索和熟 据，以得到最优的投资组合和投资机会。量化投资主要内容包括：量 悉，识别数据质量问题，发现数据的内部属性。 化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权 (3)、数据预处理：是将各种不同来源的数据加以清洗、转换和归 套利、算法交易、高频交易等。相比较传统的定性投资，量化投资的 并，以适合数据挖掘技术的使用。一般包括数据类型转换、计算缺省 主要优势在于纪律性、系统性、及时性、准确性和分散性。纪律性可 数据、消除噪声、消除重复数据等。 以克服人性的贪婪和恐惧等弱点，容易严格做到止损止盈。系统性包 (4)、建立模型：此阶段对预处理过的数据应用各种数据挖掘技 括多层次的量化模型、多角度观察和海量数据的处理。及时性体现在 术，建立分析模型。一般地，相同数据挖掘问题类型会有几种技术手