量化选股方案比较研究

发布时间：2021-08-17 22:28

　　近年来,机器学习逐渐被应用在各个领域,例如医疗、交通、人脸识别,除此之外,在金融领域中,也在尝试使用机器学习辅助投资,而股票作为量化投资的一个重要标的,使用机器学习方法探寻股票的未来走势则被越来越多地关注。本文从两个角度设计量化选股方案,分别是传统量化选股方案、基于机器学习的量化选股方案。在传统量化选股方案中,本文基于CAPM模型、Fama-French三因子模型、Fama-French五因子模型设计了三种量化选股方案,并利用2019年7月、8月、9月数据进行模拟交易。结果表明:当市场处于牛市时,基于CAPM模型的量化选股方案收益最高、回撤最小;当市场轻微下跌时,收益为正的量化选股方案中,基于Fama-French三因子模型的量化选股方案收益最高,而基于CAPM模型的量化选股方案回撤最小;当市场严重下跌时,以上三种量化选股方案的下跌幅度均高于沪深300指数。在基于机器学习的量化选股方案中,首先从基本面、技术面两个角度确定选股因子,共选取119个候选因子,根据Spearman相关系数及其显著性,分别利用2019年6月、7月、8月数据进行因子有效性检验,然后基于随机森林、神经网络、XGBo... 

【文章来源】：北方工业大学北京市

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

沪深300指数收盘价时序图

第二章传统量化选股方案138日期间，沪深300指数小幅震荡，股市在过去3年既经历了熊市又经历了牛市，利用这段时间建立CAPM模型可以检验模型的有效性，因此综合考虑数据的长度以及模型的有效性，本文最终选取过去3年的数据建立资本资产定价模型。图2-1沪深300指数收盘价时序图接下来将基于CAPM模型的量化选股方案分别在2019年7月、8月、9月进行模拟交易，首先当模拟交易时间在2019年7月8日到2019年7月31日时，以沪深300指数成分股中未停牌的股票作为样本，以沪深300指数作为基准，结果见下图2-2。图2-2投资组合在7月的模拟交易结果由上图2-2，基于CAPM模型的量化选股方案进行模拟交易，投资组合收益率为0.98%，基准收益为-1.49%，阿尔法指标值为0.285，夏普比率指标值为0.766，贝塔指标值为0.791，最大回撤指标值为1.67%。首先，评价该方案的盈利能力，基于CAPM模型的量化选股方案在2019年7月8日到2019年7月31日进行模拟交易，策略收益率比沪深300指数高2.47%，基于复利的超额收益率为2.5%；然后，评价方案的抗风险能力，该方案的最大回撤指标值低于2%，说明该方案本身较为稳定，在交易期间没有出现大幅度的回撤，贝塔指标值接近0.8，说明该方案得到的投资组合走势与沪深300指数走势虽然具有一定的相关性，但是波

第二章传统量化选股方案15图2-3投资组合在8月的模拟交易结果由上图2-3，基于CAPM模型的量化选股方案进行模拟交易，投资组合收益率为8.47%，基准收益为4.92%，阿尔法指标值为1.585，夏普比率指标值为14.773，贝塔指标值为0.69，最大回撤指标值为1.17%。首先，评价方案的盈利能力，基于CAPM模型的量化选股方案在2019年8月8日到2019年8月30日进行模拟交易，策略收益率比沪深300指数高3.55%，基于复利的超额收益率为3.38%；然后，评价方案的抗风险能力，该方案的最大回撤指标值在1%附近，说明该方案构建的投资组合回撤风险较小，贝塔指标值接近0.7，说明该方案得到的投资组合走势与沪深300指数走势虽然具有一定的相关性，但是波动幅度却低于沪深300指数，当大盘处于牛市时，投资组合会随着市场的上涨而小幅上涨；最后，综合评价方案的盈利能力和抗风险能力，该方案每承担一单位风险，可以获得14.773的超额报酬。另外，该方案在2019年8月8日到8月30日期间具有较强的选股能力，首先，在总交易次数中，策略盈利的次数占72.7%，盈亏比为4.708，即在投资亏损时，亏损1元，当投资盈利时，可以盈利4.708元，其次，该方案的账户总价值在模拟交易期间呈现逐渐上升的趋势，截止到模拟交易最后一天，账户总价值达到最大，见表2-2，账户所持有的11只股票中，只有一只股票下跌，其余股票均上涨。表2-2收益表（单位：元）标的市值/价值收益牧原股份884405301.08潍柴动力914823642.1海螺水泥867461820.95海天味业9173612168泸州老窖9688017635


本文编号：3348626