机器学习算法下的多因子量化选股策略

基于沪深300、中证500、中证全指从时间节点和因子暴露两个角度选择了相关因子,并进行了因子相关性分析,从多因子中筛选得到三组多因子组合,进行了回测对比。而后利用四种机器学习算法实证分析了各多因子组合在量化选股上的效果,并从持仓数、市场风格、参数等角度比较了各多因子组合之间的差异。最后对选股策略做了进一步优化。研究发现,构建的多因子量化选股策略具有较好的选股效果,支持向量机算法下的收益率表现最好。整体来看,随机森林算法下的收益率低于支持向量机,但其预测能力更好;岭回归算法和线性回归算法对选股策略的作用相似。随着因子数的增加,各种算法下的整体拟合度和收益率间呈现反向关系。

基于XGBoost-SWA的多因素量化交易决策模型

近代以来随着计算机技术迅速发展,一些更加智能的预测方法逐渐被应用到股票预测当中并取得较好的成果。本文给出了一个应用迄今为止的黄金和比特币市场交易价格数据来判断是否应该继续持有、购买或者出售手中的黄金和比特币的模型。构建模型之前,本文基于swA对缺失的样本进行补充。接着,用基于决策树的XGBOOST算法对样本进行学习、预测。最后采用Markowitz法进行投资模拟,建立策略模型、选择最优方案、确定最佳日投资组合并用夏普率、波动率和年化收益率等指标对该策略进行评估。