正则稀疏化的多因子量化选股策略

针对高维度数据集特征之间的复杂性,而传统的L1惩罚项不满足Oracle性质的无偏性,将逻辑回归弹性网(LR-Elastic Net)中的L1惩罚项替换为SCAD(Smoothly Clipped Absolute Deviation)和MCP(Minimax Concave Penalty)惩罚项,分别构建了LR-SCAD和LR-MCP模型,在保留稀疏性的同时满足了无偏性,并利用ADMM(Alternating Direction Method of Multipliers)算法进行求解。通过模拟实验发现,LR-Elastic Net模型能很好地处理特征存在相关性的小样本数据,而LR-SCAD和LR-MCP模型在特征存在相关性的大样本数据中表现较好;建立LR-Elastic Net、LR-SCAD和LR-MCP策略,并应用于沪深300指数成分股数据。回测结果显示,LR-SCAD和LR-MCP策略在股票相关性很强的数据中比LR-Elastic Net策略表现更好。

基于Elastic Net惩罚的多因子选股策略

弹性网(Elastic Net)是多因子量化选股的有效模型。文章采用逻辑回归中的交叉熵损失函数替代弹性网中均方误差损失函数,建立了逻辑回归弹性网模型(LR-Elastic Net),并使用ADMM算法进行求解,基于该模型构建了LR-Elastic Net策略,并将该策略应用于上证180指数成分股数据的选股。结果显示,LR-Elastic-Net策略比线性回归弹性网策略(OLS-Elastic Net)和逻辑回归套索策略(LR-Lasso)能更加有效地对因子进行筛选,获得更高收益。

基于特征交互作用的量化选股策略

针对传统的分类方法没有考虑特征之间的交互作用而导致分类效果不明显的问题,提出一种信息熵-逻辑回归弹性网模型(IE-LR-ElasticNet)。通过加入信息熵的惩罚项来衡量特征之间的交互作用,并利用交替方向乘子法(ADMM)进行求解。仿真实验结果表明,IE-LR-ElasticNet模型在相关性数据越高的数据集中,其估计系数更加接近真实值,且分类效果较好。因此,构建IE-LR-ElasticNet策略,并应用于沪深300指数成分股数据,最终取得24.51%的超额收益。