【摘要】：本文介紹了一種量化投資策略,該量化投資策略使用Stacking等七種機(jī)器學(xué)習(xí)的算法來選擇應(yīng)該投資的股票。本文使用的Stacking算法是一種集成算法,在該算法中集成了隨機(jī)森林、GBDT、SVM、Adaboost、K鄰近、決策樹這六個(gè)算法,算上用來集成這些算法的Stacking算法,共計(jì)七個(gè)算法。本文用集成起來的這七個(gè)算法來做分類,訓(xùn)練算法時(shí)需要輸入帶有標(biāo)簽的數(shù)據(jù)。在以后的預(yù)測(cè)中,輸入樣本就可以對(duì)該樣本進(jìn)行分類。本文所采用的股票池是滬深300的成分股,我們選取這些股票的若干個(gè)因子作為特征,然后把該股票的月收益率作為標(biāo)簽,由于收益率是連續(xù)值,所以我們把月收益率大于15%的標(biāo)記為+1,即可以買入的,反之標(biāo)記為-1,不考慮買入。準(zhǔn)備好訓(xùn)練集數(shù)據(jù)后,我們訓(xùn)練Stacking模型。訓(xùn)練好后,把下個(gè)月的因子值代入,得到預(yù)測(cè)結(jié)果,選擇可以買入的股票,一個(gè)月后再次用該模型進(jìn)行預(yù)測(cè),對(duì)于可以買入的股票,若之前已經(jīng)持有則繼續(xù)持有,若沒有則買入,已買入但不在當(dāng)前可以買入的股票集合中,則賣出。在本文中用2017年5月份的因子值和6月份的收益來作為訓(xùn)練集訓(xùn)練模型,然后在2017年7月初至2018年1月底這段時(shí)間進(jìn)行回測(cè),調(diào)倉(cāng)頻率是20個(gè)交易日,大致相當(dāng)于每月調(diào)倉(cāng)一次�；販y(cè)結(jié)果表明該策略的收益還是很好的。
【學(xué)位授予單位】：浙江工商大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：F832.51

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王黎;廖聞劍;;基于GBDT的個(gè)人信用評(píng)估方法[J];電子設(shè)計(jì)工程;2017年15期

2 蔣翠清;梁坤;丁勇;段銳;;基于改進(jìn)Adaboost的信用評(píng)價(jià)方法[J];運(yùn)籌與管理;2017年02期

3 鄭凱文;楊超;;基于迭代決策樹(GBDT)短期負(fù)荷預(yù)測(cè)研究[J];貴州電力技術(shù);2017年02期

4 趙剛;楊必勝;;基于Gradient Boosting的車載LiDAR點(diǎn)云分類[J];地理信息世界;2016年03期

5 周星;丁立新;萬潤(rùn)澤;葛強(qiáng);;分類器集成算法研究[J];武漢大學(xué)學(xué)報(bào)(理學(xué)版);2015年06期

6 畢凱;王曉丹;姚旭;周進(jìn)登;;一種基于Bagging和混淆矩陣的自適應(yīng)選擇性集成[J];電子學(xué)報(bào);2014年04期

7 姚明海;趙連朋;劉維學(xué);;基于特征選擇的Bagging分類算法研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2014年04期

8 葉圣永;王曉茹;劉志剛;錢清泉;;基于Stacking元學(xué)習(xí)策略的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估[J];電力系統(tǒng)保護(hù)與控制;2011年06期

9 湯志康;王偉智;談蔚欣;;基于Bagging的交通擁堵預(yù)測(cè)研究[J];集美大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年02期

10 韋艷艷;李陶深;;一種基于投票的Stacking方法[J];計(jì)算機(jī)工程;2006年07期

相關(guān)碩士學(xué)位論文 前4條

1 何晨陽(yáng);KNN算法在礦井水源識(shí)別中的應(yīng)用[D];安徽理工大學(xué);2017年

2 魏妹金;支持向量機(jī)多因子選股模型[D];華僑大學(xué);2015年

3 李子睿;量化投資交易策略研究[D];天津大學(xué);2013年

4 陳爽爽;基于Gradient Boosting算法的癲癇檢測(cè)[D];山東大學(xué);2013年

，

本文編號(hào)：2629234