金融投资行业分析-金融工程研究东方机器选股模型Ver1.0.pdfVIP

HeaderTable _User 1122253200 金融工程 HeaderTable _Stock 股票代码 投资评级 评级变化 东方机器选股模型 Ver 1.0 行业code HeaderTable _Excel —— 《因子选股系列研究之十五》 研究结论 报告发布日期 2016 年11 月07 日  机器学习容易给人“黑箱模型”和“过拟合”的印象，但事实上一些机器学 习算法的逻辑和结果都非常直白，而且算法自身带有一套避免过拟合的参数 证券分析师 朱剑涛 估计机制。众多的实践研究说明，机器学习方法的预测能力大部分情况下都 0216077 强于线性模型，很值得在量化投资中测试使用。本报告主要讲述机器学习的 zhujiantao@ 基本原理和用其来做量化选股的实证结果。 执业证书编号：S0860515060001  机器学习模型众多，不存在所谓的最强模型，不同的数据，不同的问题适用 不同的模型。我们测试了 LASSO、SVM、增强型决策树、随机森林等几种 相关报告 常见机器学习方法，最终选择用随机森林，主要是因为它结构简单、参数少、 非流动性的度量及其横截面溢价 2016-11-02 过拟合概率低，同时还具有非常强的样本外预测能力。 Alpha 预测 2016-10-25  机器选股模型省去了“因子筛选”、“因子加权”和“ZSCORE 转收益率” 线性高效简化版冲击成本模型 2016-10-21 这三个步骤，直接通过随机森林做回归，由alpha 因子来预测收益率。需要 资金规模对策略收益的影响 2016-08-26 说明的是，决策树本身也可以用来做变量筛选，但是我们并没有把这一步交 Alpha 因子库精简与优化 2016-08-12 给机器，而是仍然保留了“因子 IC 检验”这个步骤，保证随机森林的输入 日内残差高阶矩与股票收益 2016-08-12 动态情景多因子Alpha 模型 2016-05-25 变量确确实实是符合我们传统意义的alpha 因子；如果把很多没有选股效用 专 的因子混在一起作为输入变量，会导致数据噪音过大，产生“ Garbage in, 题 Garbage out” 的问题，降低模型的预测能力。 报  实证结果显示，和传统alpha 因子IC_IR 加权方法相比，随机森林模型得到 告 的多空组合收益率和稳健性都更高，处理alpha 因子间信息重叠的效果要比 我们之前