机器学习中的XGBoost算法在选股中的应用.docxVIP

机器学习中的XGBoost算法在选股中的应用

一、量化选股的发展演进与算法应用的现实逻辑

（一）传统选股方法的局限与量化转型的必然

资本市场的选股逻辑始终随着市场成熟度的提升不断迭代。早期市场有效性不足时，依赖基金经理个人经验的基本面选股、依托价格形态规律的技术面选股是主流方式，投研人员通过财报调研、走势判断筛选具备上涨潜力的个股。但随着机构投资者占比持续提升，市场定价效率不断增强，传统选股方法的局限性逐渐凸显：一方面，单个投研人员的认知边界有限，很难同时覆盖数十个行业、数千家上市公司的全维度信息，主观判断容易受到情绪、认知偏差的影响，出现对个别赛道或个股的过度偏好，甚至因为信息滞后错过投资机会或踩中风险；另一方面，传统的线性多因子选股模型假设因子和收益之间是固定的线性关系，很难捕捉不同市场环境下因子间的复杂交互作用，在风格快速切换的市场中往往反应滞后，难以获得持续的超额收益。

有研究显示，国内主动权益类产品中，能够连续三年跑赢自身业绩比较基准的产品占比不足三成，且业绩排名的年度相关性不到两成，意味着过去的业绩排名很难预测未来表现，传统选股方法的业绩持续性正在不断下降（陈信元等，2021）。在这样的背景下，借助机器学习技术处理海量高维数据、挖掘非线性定价规律，成为选股方法升级的重要方向，越来越多的资管机构开始将机器学习算法融入投研流程，探索更适应复杂市场环境的选股模式。

（二）集成