基于随机森林的基金评级模型选择_王志红.pdfVIP

·财务与金融· 2009年第1期 总第117期 研讨与争鸣 基于随机森林的基金评级模型选择 王志红 王华珍 【摘要】 首先汇集基金常用评价指标,建立一个统一的基金评级指标体系;其次利用随机森林建立基金评级 模型;最后通过实验验证了该方法的有效性和优越性.本研究将为投资者提供一个投资决策的优良工具. 【关键词】 基金评级绩效指标 随机森林 预测 【中图分类号】 F23 【文献标识码】 A 已被广泛应用在各个领域。它把基金评级指标体系 一 引 言 看作是一个高维空间, 基金的每一个指标都是空间 基金评级有利于投资者挑选适合自己偏好的基 的一个维度上。通过不断对基金历史数据进行学习, 金,同时也方便监督部门监管。但是,由于市场上众多 最终刻画出这些基金所描述的模型结构。本文内容 评级机构的评级体系各异, 评级结果往往出现不一 安排如下：第二部分概述基金评级相关理论研究,第 致的情况。其主要原因是各评价体系对基金绩效考 三部分叙述基于随机森林方法的建模原理, 第四部 察的侧重点不同。从具体的评级方法看,即选取的绩 分是数据实证,第五部分是总结。 效指标不同。关于如何选择指标以便更有效地评价 二 基金评级相关理论研究 基金绩效的研究已经很多, 但综合各种指标对基金 进行全面评价的研究则较少。因此,综合众多绩效指 1、常用基金评价指标 标, 建立基金业绩综合评级体系是一个值得研究的 构造一个完善的基金评级体系应该包括三类指 方向。 标：①度量基金收益的指标和风险的指标;②度量基 本文汇集基金绩效评价的多个方面的指标,构 金风险调整收益的指标; ③度量基金管理人管理能 建一个能对基金进行全面评价的评级指标体系。然 力的指标。基金绩效指标的数量已达几十个之多,一 后采用人工智能的关键技术, 即机器学习的方法从 些典型的基金绩效指标汇总如表1所示。 表 典型基金绩效评价指标 历史数据中学习得到一个评级模型, 用于对基金绩 1: 效级别进行预测评定。机器学习方法通过模仿人类 Tab.1 representative fund performance indexes 编号 指标名称 编号 指标名称 从实例中学习的能力进行数据分析和建模, 能够从 1 阿尔法（Alpha） 10 收益标准差 有限学习数据中发现隐藏的、复杂的模型信息。具体 2 夏普（Sharp） 11 年化波动率 3 特雷诺（Treynor） 12 贝塔（Beta） 4 詹森（Jensen） 13 可决系数 地,采用随机森林（random forests, RF）方法构建一 5 平均收益率 14 非系统风险 个高维、非线性的模型,实现对基金的分类评级.随机 6 年化收益率 15 选股能力 森林是树形分类器的组合,是处理高维、非线性模型 7 几何平均收益率 16 选时能力 8 平均风险收益率 17