机器学习在投资组合中的应用研究

随着我国股票市场的快速发展,对投资组合进行优化的重要性逐步凸显。选择优良的股票是个人投资者获取盈利的首要且关键的一步。运用6种机器学习算法预测沪深300指数成分股的上涨概率,依次选取上涨概率最高的前k只股票。运用蒙特卡罗模拟方法对选取的前k只股票构建最优资产配比,以夏普比率为评价指标。最后构建RSI交易策略对这k只股票进行回测,观察其收益是否优于买入并持有沪深300指数。研究结论:1.AdaBoost模型对股票价格走势预测具有比较理想的预测结果,预测的准确率和F1-Value均高达70%以上;2.构建的投资组合夏普比率为0.6165,说明该投资组合每承受1单位风险能带来0.6165单位的超额收益,较为优良;3.机器学习算法选出的k只股票回测结果均较优,胜率都超过65%,最大回撤大多低于20%,说明机器学习算法在选股上具有一定优势。

我国医药制造业上市公司财务风险预警研究——基于Stacking集成算法

在新冠肺炎疫情防控常态化背景下,我国医药制造业呈现良好的发展态势。医药制造业上市公司具有良好的投资价值,研究其财务风险将有利于投资者评估医药制造行业未来发展情况并进行投资决策。论文以我国A股医药制造业上市公司为研究对象,基于其偿债能力、盈利能力、营运能力、现金流分析、发展能力及风险水平6个维度构建财务风险预警评价指标体系,利用Stacking算法实现财务风险预警,并对比K-近邻、Logistic回归、决策树3种单一分类器的预测效果。结果表明,提出的Stacking算法整体性能明显优于其他模型,准确率、F1-Value及AUC值均高达98.5%以上。