机器学习因子有效性分析金融工程研究.PDF

C H I N A S E C U R I T I E S R E S E A R C H [table_main] 金融工程专题报告模板 证券研究报告 ·金融工程深度报告 机器学习因子有效性分析： 金融工程研究 ——大数据人工智能研究之六 重要观点 [table_invest] 丁鲁明 逻辑依旧明了，机器学习并非黑箱 dingluming@ 谈到机器学习，大家最忌讳的便是黑箱问题。其实不必，理解机 021 器学习算法，逻辑实则简单，比如相同的因子特征将会有相同的 表现。在实战中，我们发现，该逻辑十分有效，在我们的机器学 执业证书编号：S1440515020001 习选股模型中，该逻辑连续十几年不曾被打破。 研究助理：喻银尤 Adaboost 最稳定，朴素贝叶斯收益最高 yuyinyou@ 021808 全市场选股，市值中性选股等权加权，行业中性选股等权加权五 发布日期： 2018 年 02 月 02 日 种情况下，AdaBoost 年化波动率基本在 5%左右，表现非常稳定。 朴素贝叶斯，年化收益分别达到 15.50%，15.75%，12.89%， 市场表现 15.63%，10.23%。 [table_indextrend] 全市场训练明显优于市值中性或行业中性 分别在全市场、等市值组 （按市值大小分20 小组）、行业内部进 行了训练预测。研究发现，在市值中性情况下，全市场训练得到 的因子明显优于市值内部训练的因子；在行业中性情况下，全市 场训练得到的因子亦优于行业内部训练得到的因子。 机器学习因子单调性十分显著 把机器学习训练得到的个股相对强势值进行排序，按大小分成 5 组，研究发现排名靠前的小组明显优于排名靠后的小组，且单调 相关研究报告 [table_report] 性十分显著 到，前二组年化收益在 25% 以 大数据研究之五：大数据、机器学习、 17.10.18 上，而第四组收益不到 20% ，最后一组收益不到 10% 。 深度学习在投资领域应用的方法论概述 人工智能有比较快速的自适应调整能力 大数据研究之四：基于新闻热度的周期、 17.08.16 成长、消费风格轮动配置 到 20