神经网络与多因子模型在量化投资领域的对比分析

金融资产的定价、价格走势的预测是投资领域的核心问题。法玛和福林奇在90年代提出的多因子定价模型,多因子量化投资基本原理为选取一系列对于资产收益有解释性的因子作为解释变量建立模型。根据模型预测出的投资收益率选择合适的一系列资产构成投资组合。但是多因子模型也并非完美无缺,其应用于预测非线性时序时准确性较差。而目前的金融市场数据之间的关系恰恰并非简单的线性关系。多因子模型依然有很多可以改进的地方。人工智能方法恰恰具有非线性、学习、自组织和自适应性等多种特点,有效的弥补了传统金融计量模型的不足,非常适用于对于金融产品价格的刻画,以及走势的预测。文章通过对比多因子模型和BP神经网络模型在量化投资之上的表现,希望在神经网络的效果、设定等方面能有一定的启发。