技术因子智能择股与止盈策略研究.docxVIP

正文目录 技术因子智能择股策略的改进思路 3 样本分析 3 样本数据的变化 3 各特征指标与训练目标的关系 4 模型预测结果评估 8 模型训练方案 8 交叉验证分析 8 预测误差分析 11 回归测试分析 13 回归测试方案 13 组合表现分析 13 图表目录 图 1 CSI 800 指数成分股各连续值指标与最大涨幅、最大跌幅、最大回撤之间的关系 5 图 2 CSI 800 指数成分股各 0-1 值指标与最大涨幅、最大跌幅、最大回撤的分布 (一) 6 图 3 CSI 800 指数成分股各 0-1 值指标与最大涨幅、最大跌幅、最大回撤的分布 (二) 7 图 4 以 2018 年各指数成分股样本数据对未来最大涨幅、最大跌幅预测模型交叉验证结果（一） 9 图 5 以 2018 年各指数成分股样本数据对未来最大涨幅、最大跌幅预测模型交叉验证结果（二） 10 图 6 (随机森林模型采用各年份样本数据对未来 5、10 日最大涨幅、最大跌幅的预测准确度评分) 11 图 7 随机森林模型对各指数成分股最大涨幅、最大跌幅的预测误差分布 12 图 8 (SSE 50 指数成分股选股组合 5 日、10 日换仓，及止盈策略回归测试收益曲线) 19 图 9 (CSI 300 指数成分股选股组合 5 日、10 日换仓，及止盈策略回归测试收益曲线) 19 图 10 (CSI Small Cap 500 指数成分股选股组合 5 日、10 日换仓，及止盈策略回归测试收益曲线) 20 图 11 (CSI 800 指数成分股选股组合 5 日、10 日换仓，及止盈策略回归测试收益曲线) 20 图 12 (SZSE SME 100 指数成分股选股组合 5 日、10 日换仓，及止盈策略回归测试收益曲线) 21 表 1 最大涨幅和最大跌幅的分类 4 表 2 SSE 50 5 日换仓策略表现 14 表 3 SSE 50 10 日换仓策略表现 14 表 4 CSI 300 5 日换仓策略表现 15 表 5 CSI 300 10 日换仓策略表现 15 表 6 CSI Small Cap 500 5 日换仓策略表现 16 表 7 CSI Small Cap 500 10 日换仓策略表现 16 表 8 CSI 800 5 日换仓策略表现 17 表 9 CSI 800 10 日换仓策略表现 17 表 10 SZSE SME 100 5 日换仓策略表现 18 表 11 SZSE SME 100 10 日换仓策略表现 18 技术因子智能择股策略的改进思路 在此前的研究中，我们已经初步尝试了利用机器学习技术对技术因子样本进行训练，用以预测股票未来涨跌幅、最大回撤，并建立了智能技术因子的选股策略框架1。但在此前的研究中，尽管我们已经采取了将回归问题转化为分类问题等一系列方法，但模型的预测准确度仍然偏低，模型训练计算时间长，部分模型甚至不能收敛。而基于智能技术因子的选股模型，尽管在收益率指标上获得较好的回测结果，但最大回撤较高，与年化收益率接近，策略的盈亏比较低。 为了解决上述问题，进一步挖掘机器学习技术的潜力，改善选股策略的表现，我们认为首先应尽可能提高模型的预测准确度，并在有可能的情况下降低模型的训练时间。特别是在投资实践中，需要以滚动的方式迭代训练模型，必须将模型收敛速度提高到一个可接受的水平。其次，我们将回归问题转换为分类问题，是为了提高模型训练的准确度，但还应在基于训练结果的选股策略上进行改进，才能有效地转化为投资收益。 在此前的研究中，导致模型预测准确度低，模型训练时间长的重要因素之一是个股样本数据规模过大。直接使用全市场数据，会使得样本中涵盖大量的噪声，同时也无法将具有不同特征类别的个股区分开来。另一个因素是特征数据和目标数据的选取并不完全合理，例如以期末收益率作为训练目标，相当于同时在空间（价格波动）和时间（给定时间间隔）两个维度上去进行预测，这对提高训练精度是不利的。因此，我们对提高模型训练精度的改进思路在于，将样本数据进行拆分，对重要指数成分股分别进行训练，从而体现不同市场板块之间的特征差异；同时对样本的特征数据和目标数据也进行调整，将原来纯粹的技术指标进一步加工为多指标形成的形态指标作为特征因子，将原来的训练目标从期末收益率、最大回撤，调整为给定时间周期内的最大涨、跌幅。在选股策略方面，为了与新的模型训练目标相适配，捕捉给定时间周期内的最大涨、跌幅，并尽可能降低头寸的最大回撤，我们的改进思路是基于模型预测结果设置头寸持有期间的止盈位，形成带有止盈条件的滚动选股策略。 样本分析 样本数据的变化 根据上述思路，我们选取了上证 50、沪深 300、中证 500、中证