近些年,隨著科技的發(fā)展,計算機性能顯著提升,由此帶來了金融量化投資與機器學習領(lǐng)域的高速發(fā)展,各種交易策略大量涌現(xiàn)。交易策略立足于量化投資,由數(shù)量化的方法和計算機程序相結(jié)合,是一種主動型投資管理,量化投資以其高效性、低錯誤率深受投資者偏愛,主要包括量化選股、量化擇時、股指期貨套利、商品期貨套利、統(tǒng)計套利等,其中又以量化選股最為流行。因此,如何設(shè)計一個可以獲得超額收益率的量化選股策略,是當前投資者們關(guān)注的重點。本文研究的內(nèi)容從因子的角度進行切入,意在通過有效因子的構(gòu)建,進而搭建選股模型,設(shè)計交易策略,最終獲取超額收益。實證過程中本文構(gòu)建了基于時變加權(quán)LightGBM的多因子選股模型,選取中證500成份股2011年1月至2019年12月每月月初第一個交易日的因子數(shù)據(jù)作為數(shù)據(jù)樣本,先從個股日內(nèi)的高頻數(shù)據(jù)出發(fā),構(gòu)建高頻因子指標:RVol_t、RSkew_t、RKurt_t,對其進行檢驗分析,得出有效高頻因子:RSkew_t,并以此因子的大小為依據(jù),篩選中證500,得到每期的股票池,接著建立全市場低頻因子庫并驗證其有效... 

【文章來源】：上海師范大學上海市

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究的背景
    1.2 研究的目的與意義
        1.2.1 研究目的
        1.2.2 研究意義
    1.3 研究的內(nèi)容、方法和技術(shù)路線
        1.3.1 研究內(nèi)容與方法
        1.3.2 研究技術(shù)路線
    1.4 本文主要特點
第2章 相關(guān)理論回顧與文獻綜述
    2.1 相關(guān)理論回顧
        2.1.1 投資組合理論
        2.1.2 資本資產(chǎn)定價理論
        2.1.3 套利定價理論
        2.1.4 LightGBM模型
    2.2 相關(guān)文獻綜述
        2.2.1 多因子選股研究現(xiàn)狀
        2.2.2 機器學習在金融領(lǐng)域研究現(xiàn)狀
        2.2.3 文獻總結(jié)
第3章 多因子選股問題的分析與交易策略的構(gòu)思
    3.1 多因子選股問題的提出與分析
    3.2 多因子選股交易策略設(shè)計的理論框架
    3.3 多因子選股交易策略設(shè)計的思路
第4章 時變加權(quán)多因子選股交易策略設(shè)計方案
    4.1 高頻因子的構(gòu)建
        4.1.1 高頻因子特征分析
        4.1.2 股票池篩選
    4.2 低頻因子庫的構(gòu)建與篩選
        4.2.1 低頻因子有效性識別方法
        4.2.2 低頻因子有效性驗證與篩選
    4.3 數(shù)據(jù)處理
        4.3.1 異常值處理
        4.3.2 缺失值處理與其它處理
    4.4 基于時變加權(quán)LightGBM模型構(gòu)建
        4.4.1 因子權(quán)重的設(shè)定
        4.4.2 時變加權(quán)模型構(gòu)建
    4.5 交易策略有效性評價指標
第5章 交易策略有效性評價
    5.1 交易策略方案的有效性評價
        5.1.1 等因子權(quán)重策略有效性評價
        5.1.2 時變加權(quán)策略有效性評價
        5.1.3 策略對比
    5.2 交易策略方案的風險提示
第6章 結(jié)論
    6.1 本文主要結(jié)論
    6.2 不足與展望
參考文獻
附錄
致謝
攻讀學位期間的研究成果


【參考文獻】：
期刊論文
[1]機器學習驅(qū)動的基本面量化投資研究[J]. 李斌,邵新月,李玥陽.  中國工業(yè)經(jīng)濟. 2019(08)
[2]基于滬深300成分股的量化投資策略研究[J]. 呂凱晨,閆宏飛,陳翀.  廣西師范大學學報(自然科學版). 2019(01)
[3]基于價值投資的多因子定價模型在中國資本市場的實證研究[J]. 干偉明,張滌新.  經(jīng)濟經(jīng)緯. 2018(04)
[4]基于LightGBM算法的P2P項目信用評級模型的設(shè)計及應用[J]. 馬曉君,沙靖嵐,牛雪琪.  數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究. 2018(05)
[5]機器學習方法在股指期貨預測中的應用研究——基于BP神經(jīng)網(wǎng)絡、SVM和XGBoost的比較分析[J]. 黃卿,謝合亮.  數(shù)學的實踐與認識. 2018(08)
[6]基于滬深300成份股的多因子量化選股策略研究[J]. 蘇靖宇,方宏彬.  福建商學院學報. 2018(01)
[7]基于多因子選股的半監(jiān)督核聚類算法改進研究[J]. 李文星,李俊琪.  統(tǒng)計與信息論壇. 2018(03)
[8]多因子量化模型在投資組合中的應用——基于LASSO與Elastic Net的比較研究[J]. 謝合亮,胡迪.  統(tǒng)計與信息論壇. 2017(10)
[9]ML-TEA:一套基于機器學習和技術(shù)分析的量化投資算法[J]. 李斌,林彥,唐聞軒.  系統(tǒng)工程理論與實踐. 2017(05)
[10]Fama-French五因子模型比三因子模型更勝一籌嗎——來自中國A股市場的經(jīng)驗證據(jù)[J]. 趙勝民,閆紅蕾,張凱.  南開經(jīng)濟研究. 2016(02)



本文編號：3631008