基于数据挖掘和XGBoost算法的量化多因子对冲模型研究

发布时间：2023-12-02 12:07

　　自1990年以来,我国证券市场从无到有,日趋成熟。传统通过个人直觉、经验、观察进行投资的主观投资模式显得越来越力不从心。无数历史经验证明:任何一门学科当它被深入研究到一定程度时,必然会产生一些量化的描述,投资亦是如此。伴随着数学、计算机和机器学习技术的发展,量化投资开始进入到投资者的视野中来。量化投资是一种基于大数定律的投资方法。它主要借助现代统计方法以及量化个人投资经验的方法从海量历史数据中寻找各种“大概率获胜”模型,并依据这些“大概率获胜”模型构建投资模型进行大量交易。量化投资起源于上世纪七十年代的美国,截至 2019 年三季度末,Bridgewater、Renaissance、AQR Capital Management等知名量化投资公司规模均已超过600亿美元。在各类量化模型中,量化多因子对冲模型无疑是其中最亮眼的那颗星。该类模型通过股指期货、期权等对冲手段对冲掉市场风险,只获取模型针对市场所产生的的超额收益。它既继承了多因子模型收益可观、覆盖面广、模型容量较大等优点,又大大降低了模型的回撤,稳定性较高。在近年来,由于机器学习技术的发展以及金融数据中的大量非线性关系,各类机器学...

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 选题背景及意义
        1.1.1 我国证券市场的发展
        1.1.2 量化投资行业的发展
        1.1.3 机器学习技术的发展
        1.1.4 选题意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 研究内容及行文框架
        1.3.1 研究内容及方法
        1.3.2 行文框架
    1.4 本文的主要贡献
第二章 相关理论及技术介绍
    2.1 多因子模型
        2.1.1 多因子模型的起源
        2.1.2 传统多因子模型的构建
        2.1.3 机器学习多因子模型的构建
    2.2 数据挖掘获取ALPHA因子
        2.2.1 遗传规划算法
        2.2.2 人工数据挖掘
    2.3 因子有效性检验
        2.3.1 回归法
        2.3.2 IC法
        2.3.3 分层回测法
    2.4 决策树及XGBOOST算法
        2.4.1 决策树
        2.4.2 XGBOOST算法
    2.5 对冲
第三章 模型实证研究
    3.1 实证环境说明
    3.2 实证流程
    3.3 ALPHA因子的挖掘及有效性检验
        3.3.1 遗传规划算法挖掘ALPHA因子
        3.3.2 人工数据挖掘ALPHA因子
    3.4 多因子选股模型构建
        3.4.1 传统多因子选股模型构建
        3.4.2 XGBOOsT多因子选股模型构建
        3.4.3 XGBOOST多因子对冲选股模型构建
    3.5 回测业绩评价
        3.5.1 传统多因子选股模型
        3.5.2 XGBOOST多因子选股模型
        3.5.3 XGBOOST多因子对冲选股模型
第四章 总结与展望
参考文献
致谢
学位论文评阅及答辩情况表



本文编号：3869637