基于因子情境的机器学习多因子选股模型

发布时间：2025-05-15 03:00

　　 对"通过机器学习优化股票多因子模型"问题进行详细分析.首先,给出了因子筛选的聚类方法,从各大类因子中筛选出具有代表性的最优因子;然后,应用3种机器学习模型,即SVM模型、GBDT模型和XGboost模型,构建了机器学习选股模型,与传统的等权重线性多因子模型相比,预测效果有了很大的改进;最后,从机器学习模型输入因子有效性的角度改进了风险控制.

【文章页数】：10 页

【部分图文】：

图1 部分因子滞后1～6期的相关系数均值图

在评价机器学习模型的表现时，通常会使用交叉验证方法对不曾在训练环节中出现的样本进行验证．如果模型在验证时的性能与训练时大致相同，那么就可以确信模型具备良好的泛化能力．根据训练集和验证集的划分方式不同，交叉验证方法主要有简单交叉验证法、K折交叉验证法、留一法和留P法，这些方法都有一....

图2 对输入特征做标准化处理前后线性SVM的效果图

SVM对变量预处理比较敏感[5]，如果对输入变量不做标准化处理，则难以对输入样本进行区分．例如，对测试数据集（x,y)=(1,50),(5,20),(3,80),(5,60），相应的类别为1,1,-1,-1，用线性SVM作正负例划分．与未做标准化处理的结果相比较，可以发现对测试数....

图3 XGboost有效因子信息增强样本内外效果图

最后，采用有效因子信息增强的XGboost选股增强模型进行选股回测，树深度取为4，每期选股数量为30个标的，样本内外效果见图3，图3(a）为累计净值；图3(b）是样本内外期间的回撤序列．样本内外的最大回撤为-3.5%，样本内外累计收益为54.05%，年化Sharpe比率为5.44....

本文编号：4046140