基于RXS-L堆叠的量化选股策略.pdf

摘要

摘要

量化交易利用先进的数学和统计学方法，通过计算机程序来分析历史财务和

交易数据，从中构建数学模型，以识别可能产生超额收益的投资机会。这种方法

通过减少人为干预，增强了交易的纪律性和及时性，同时提高了系统的稳定性和

操作的准确性。量化策略通常涵盖多种“高概率”事件，结合投资者的经验来形

成完整的交易策略，整个决策和交易过程均由自动化系统执行。随着计算机技术

和机器学习算法的迅速发展，现代量化交易不仅限于专业的金融机构。普通投资

者也可以在个人计算机上利用公开的财务数据和大规模的交易数据，应用机器学

习算法来开发能够实现稳定超额收益的交易策略。这种策略的普及性和可访问性，

使得量化交易在全球范围内越来越受到重视，成为现代金融市场中一个不可忽视

的力量。

本研究深入探讨了Stacking集成学习模型在量化选股策略中的应用效果，特

别是在多因子模型的构建上。此模型简称为RXS-L，它结合了多个基础模型的预

测能力，并通过一个元模型来整合各基模型的输出，从而提升预测的准确性和稳

定性。在本研究中，随机森林、XGBoost和支持向量机（SVC）被选作基础模型，

而元模型则采用逻辑回归进行最终的预测输出。研究期间覆盖了2020年1月至

202112260

年月，选取了来自基本面、成长性、财务、技术和情绪等九大类的个

因子进行全面分析。通过运用RankIC分析、分位数收益统计以及相关性分析，本

研究成功筛选出七个表现最优的因子。2022年1月至2023年8月的数据被划分为

训练集与测试集，后半年数据用作测试集。本研究采用两周一次的调仓周期，对

RXS-L模型及其基础模型进行了实证测试，并在2023年9月至2024年2月期间

进行了回测评估，以验证模型在实际市场环境中的表现。

通过严密的实证分析，RXS-L模型在中国股票市场的应用证明了其出色的市

场适应性和预测能力，尤其在复杂和变动的市场环境下表现突出。主要研究结果

概括为四个方面：首先，模型在熊市和不稳定市场期表现出极高的稳健性，通过

精准的股票筛选，实现了资产的保值和增值，明显优于传统单一模型。其次，利

用RankIC分析和相关性分析等方法成功识别出统计上显著的有效因子，这些因子

提供了可靠的市场预测，增强了模型对市场动态的响应能力。再次，RXS-L模型

整合多个基模型的优势，展示了集成学习在提升预测准确性和稳定性方面的显著

效益，特别是在真正率、真负率、最大回撤、夏普比率及信息比率等关键性能指

标上的优异表现。最后，该模型在市场下行期间展现出卓越的分类能力，有效区

I

摘要

分潜力股和风险股，为投资者在市场整体表现不佳时创造正收益，验证了其逆市

操作的实用价值。这些发现不仅为专业金融机构提供了科学的决策工具，也使得

广大投资者能够利用先进的机器学习技术，尤其是集成学习策略来优化投资组合，

实现稳定的超额收益。

关键词：量化交易，多因子选股，Stacking

Ⅱ

ABSTRACT

ABSTRACT

Quantitativetradingutilizesadvancedmathematicalandstatisticalmethodsto

analyzehistoricalfinancialandtransactiondatathroughcomputerprograms,

constructingmathematicalmodelstoidentifypotentialinvestmentopportunitiesthat

couldyieldexcessreturns.Thisapproachminimizeshumanintervention,enhancingthe

discip