机器学习因子在量化选股中的有效性检验.docxVIP

机器学习因子在量化选股中的有效性检验

一、量化选股与因子模型的发展脉络

（一）传统因子模型的核心逻辑与局限性

量化选股的本质是通过挖掘影响股票收益的关键因素（即“因子”），构建数学模型预测未来股价走势。传统量化模型以多因子模型为代表，其核心逻辑可追溯至资本资产定价模型（CAPM）的延伸，典型如Fama-French三因子、五因子模型。这类模型通过统计分析筛选出若干“有效因子”，例如市值因子（小市值股票长期超额收益）、估值因子（低市盈率股票更具投资价值）、动量因子（近期上涨股票可能持续上涨）等，假设因子与收益之间存在线性关系，通过线性回归计算各因子权重，最终合成股票预期收益。

然而，传统模型的局限性随着市场复杂度提升日益凸显。其一，线性假设过于简化。真实市场中，因子与收益的关系可能呈现非线性特征——例如，低市盈率股票的超额收益可能在特定估值区间（如5-15倍）更显著，超出该范围则失效；市值因子的有效性也可能随市场风格切换（如蓝筹股行情与小盘股行情交替）而动态变化，线性模型难以捕捉这类非线性关系。其二，因子交互作用被忽略。传统模型通常假设因子间相互独立，但实际中因子可能存在协同或对冲效应——例如，高成长因子（如净利润增速）与低估值因子（如市净率）的组合，可能比单因子更能筛选出“高性价比”股票，而线性模型无法自动识别这种交互模式。其三，维度诅咒问题。当尝试纳入更多因子（如技术指标、情绪指