基本面量化投资的理论逻辑与研究展望

基本面量化投资是基本面分析与量化投资深度融合的产物,近几年在业界和学界都备受关注。本文从股票价值和价格的视角,考查基本面量化投资的研究演进、理论逻辑以及该领域研究面临的一些重要问题。研究发现,股票的价值取决于公司的现金流、预期增长与风险;价格受到与这些基本面因素相关的新闻以及非理性投资者行为的影响,但在不同时间尺度股价的主要驱动因素不同;目前基本面量化投资以多因子模型为主要载体,分别利用价值因子和质量因子选择便宜的和高质量的股票;当前基本面量化投资存在的主要问题为对股票价值、价格及其决定因素理解不足,缺乏一个能够将价值和价格统一起来的核心框架以及未能良好地处理时间尺度问题。最后,关于我国基本面量化投资提出了未来展望,为该领域的后续研究和投资实践提供参考。

投资专有技术冲击对股票横截面收益的时变影响分析——基于机器学习下基本面量化投资视角

投资专有技术(简称IST)是一种通过创造新的资本存量从而在技术层面所带来的技术创新,一直以来被认为是经济增长的重要决定因素,投资专有技术冲击与股票市场之间也密切相关.随着机器学习方法在金融领域中被广泛地应用,其优异的表现能够挖掘出更加有效地解释资产价格波动的因子,探索投资专有技术冲击对资产价格的影响具有重要的现实意义.根据基本面量化投资研究的进展,文章筛选了机器学习方法中投资绩效表现优异的因子变量,基于数据可得性构建了2004年1月至2021年12月内的3种IST冲击代理变量以及9种微观企业特征和市场风险因子,并运用TVP-SV-VAR模型进行时变特征分析,揭示了IST冲击对不同企业特征下的股票横截面收益的影响.结果显示投资专有技术冲击对不同的企业特征下股票横截面收益影响均具有时变性,在不同时期下影响的方向、大小均不确定,且滞后影响都是中短期的.投资专有技术冲击在短期更多是通过影响企业短期内的交易量、交易额等交易摩擦类因子进一步影响投资者对企业的未来预期.同时,对于中期而言,投资专有技术冲击更多的是影响股东权益变化等成长类因子进而影响股票价格波动.

基于基本面分析的量化投资:研究述评与展望

基本面量化是基本面分析和量化投资的理想融合,基本面分析为寻找阿尔法因子提供了坚实的理论基础,量化投资则为处理更复杂的基本面信息提供了技术手段。目前关于基本面量化投资的理论研究较少,且脉络不够清晰。本文基于对国内外相关研究的回顾,首先探讨了基本面分析、量化投资理论实践的发展及基本面量化的内涵,进而介绍了其重要的理论基础及测量方法,系统梳理了相关实证研究进展,并提出了未来研究展望,以为该领域的后续研究提供参考。

机器学习驱动的基本面量化投资研究

基本面量化投资是近年来金融科技和量化投资研究的新热点。作为人工智能的代表性技术,机器学习能够大幅度提高经济学和管理学中预测类研究的效果。本文系统性地运用机器学习,来提升基本面量化投资中的股票收益预测模块。基于1997年1月至2018年10月A股市场的96项异象因子,本文采用预测组合算法、Lasso回归、岭回归、弹性网络回归、偏最小二乘回归、支持向量机、梯度提升树、极端梯度提升树、集成神经网络、深度前馈网络、循环神经网络和长短期记忆网络等12种机器学习算法,构建股票收益预测模型及投资组合。实证结果显示,机器学习算法能够有效地识别异象因子—超额收益间的复杂模式,其投资策略能够获得比传统线性算法和所有单因子更好的投资绩效,基于深度前馈网络预测的多空组合最高能够获得2.78%的月度收益。本文进一步检验了因子在预测模型中的重要性,发现交易摩擦因子在A股市场具有较强的预测能力,深度前馈网络在筛选因子数据上的多空组合月度收益达到了3.41%。本文尝试将机器学习引入基本面量化投资领域,有助于促进人工智能、机器学习与经济学和管理学的交叉融合研究,为推进国家人工智能战略的有效实施提供参考。

人工智能在资管行业的应用——基于基本面投资研究

人工智能的发展推动着人类社会的智能化程度日益提升,也为各行各业带来新的机遇。在资产管理行业,如何将日新月异的人工智能和日积月累的专家智能有效结合并应用于金融投资,是一个值得长期探索的金融课题。本文拟探讨人工智能技术应用于资产管理行业的经验和挑战,以及人工智能和专家智能投资方法各自的优劣,并重点介绍一种将两者相结合的基本面量化投资框架的构建思路和细节。该框架通过归纳行业逻辑、提取数据规律,充分将专家智能和人工智能优势互补、各尽其能。实证表明,这种人机协同的投资框架能有效地将行业高频数据信息转化为投资信号。基于该框架的择时策略,在轮胎、造纸、乘用车等多个行业上都能获得不同程度的超额收益。