【摘要】：隨著近年來機(jī)器學(xué)習(xí)、人工智能領(lǐng)域的快速發(fā)展,很多國內(nèi)外學(xué)者嘗試著將機(jī)器學(xué)習(xí)與量化投資相結(jié)合,試圖通過數(shù)據(jù)挖掘的手段,比如SVM(支持向量機(jī)模型)、神經(jīng)網(wǎng)絡(luò),集成學(xué)習(xí)等模型探索因子與股票收益之間的關(guān)系,進(jìn)而建立多因子模型對股票未來收益進(jìn)行預(yù)測。但上述算法在金融領(lǐng)域應(yīng)用時(shí)存在兩個(gè)主要問題:1.數(shù)據(jù)樣本不足。雖然金融市場中存在著大量高低頻數(shù)據(jù)可供研究,但是在模型訓(xùn)練過程中時(shí)真正有效的樣本數(shù)據(jù)是非常有限的,如何高效利用有限數(shù)據(jù)構(gòu)建出泛化誤差較小的機(jī)器學(xué)習(xí)模型是值得研究的。2.金融市場是不斷變化的,分別處于不同時(shí)間節(jié)點(diǎn)的訓(xùn)練樣本和測試樣本往往很難保持同分布,因此會(huì)導(dǎo)致機(jī)器學(xué)習(xí)模型的延伸性比較差。本文嘗試引入遷移學(xué)習(xí)的思想與多因子選股模型相結(jié)合來處理上述問題,在TrAdaboost算法的基礎(chǔ)上進(jìn)行補(bǔ)充,通過構(gòu)造輔助訓(xùn)練樣本集和源訓(xùn)練樣本集,從前者中學(xué)習(xí)知識(shí)并提取部分與源訓(xùn)練樣本集分布相似的股票樣本與源訓(xùn)練樣本集一起重組為遷移學(xué)習(xí)量化選股模型的訓(xùn)練樣本,從而規(guī)避常規(guī)機(jī)器學(xué)習(xí)模型中需要假設(shè)訓(xùn)練樣本和測試樣本相同分布的問題。本文設(shè)計(jì)了一個(gè)包含因子篩選和數(shù)據(jù)降維的因子庫建立體系,同時(shí)給出了完整的遷移學(xué)習(xí)量化選股模型框架,通過2013年至2018年底的真實(shí)市場交易數(shù)據(jù)對該模型進(jìn)行實(shí)證分析,將其結(jié)果與未使用遷移學(xué)習(xí)思想的Adaboost多因子選股模型進(jìn)行對比,證明了本文研究的遷移學(xué)習(xí)多因子選股模型的有效性,在參數(shù)相同的條件下,合理設(shè)計(jì)輔助訓(xùn)練樣本集和源訓(xùn)練樣本集的采樣方式可以提升傳統(tǒng)機(jī)器學(xué)習(xí)模型的績效。
【圖文】：

本文技術(shù)路線圖

i r等式右側(cè)分別為Asset 的實(shí)際收益率和為：i r + + 此時(shí)，，Asset 的實(shí)際收益率就可以拆分險(xiǎn)溢價(jià)， 表示除了風(fēng)險(xiǎn)溢價(jià)之外以及不能期貨的金融工具來對沖掉市場風(fēng)險(xiǎn)溢價(jià)這部險(xiǎn)，剩下來的 就是多因子策略模型所追求場走勢的影響，多因子策略只需能夠篩選出Alpha 的股票作為投資組合就可以持續(xù)盈利Alpha
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：F224;F830.91

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 曹正鳳;紀(jì)宏;謝邦昌;;使用隨機(jī)森林算法實(shí)現(xiàn)優(yōu)質(zhì)股票的選擇[J];首都經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào);2014年02期

2 李云飛;惠曉峰;;基于支持向量機(jī)的股票投資價(jià)值分類模型研究[J];中國軟科學(xué);2008年01期

3 錢穎能;胡運(yùn)發(fā);;用樸素貝葉斯分類法選股[J];計(jì)算機(jī)應(yīng)用與軟件;2007年06期

4 盧方元;中國股市收益率分布特征研究[J];中國管理科學(xué);2004年06期

5 范龍振,余世典;中國股票市場的三因子模型[J];系統(tǒng)工程學(xué)報(bào);2002年06期

6 李亞靜,朱宏泉;滬深股市收益率分布的時(shí)變性[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2002年02期

相關(guān)博士學(xué)位論文 前3條

1 梁超;量化投資模型適應(yīng)性研究[D];中央財(cái)經(jīng)大學(xué);2016年

2 楊士準(zhǔn);基于樣本和特征的遷移學(xué)習(xí)方法及應(yīng)用[D];國防科學(xué)技術(shù)大學(xué);2013年

3 陳德品;基于遷移學(xué)習(xí)的跨領(lǐng)域排序?qū)W習(xí)算法研究[D];中國科學(xué)技術(shù)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 張猛;基于行業(yè)輪動(dòng)策略的SVM多因子選股模型及投資效果實(shí)證分析[D];上海師范大學(xué);2018年

2 費(fèi)洋;A股市場多因子選股量化模型構(gòu)建及其檢驗(yàn)[D];浙江大學(xué);2018年

3 張瀟;基于改進(jìn)的GBDT的量化投資模型[D];廣西大學(xué);2018年

4 張冬陽;基于Logistic回歸的Barra因子選股模型研究[D];南京大學(xué);2018年

5 司曉彤;基于回歸法的多因子選股模型的投資組合分析[D];青島大學(xué);2017年

6 趙智輝;基于三層過濾模式的多因子選股模型研究[D];華南理工大學(xué);2015年

7 王昭棟;多因子選股模型在中國股票市場的實(shí)證分析[D];山東大學(xué);2014年

8 郭世碩;多源遷移學(xué)習(xí)的研究[D];西安電子科技大學(xué);2014年

9 王濤;Fama-French三因子模型及其添加市盈率因子模型在中國股市的適用性研究[D];西南財(cái)經(jīng)大學(xué);2012年

10 劉毅;因子選股模型在中國市場的實(shí)證研究[D];復(fù)旦大學(xué);2012年

本文編號(hào)：2628115