基于随机森林算法的多因子选股模型研究（英文）

尽管近几十年来量化投资得到了发展,策略也趋于多样化,但随之而来的还有各种问题和瓶颈,如数据选择,模型在金融市场的有效期过短.本文建立了一个基于随机森林算法的多因素股票选择模型.在该模型中,从6个不同维度中选择12个因子来构建因子库,并对因子数据进行预处理.在确定模型参数后,基于处理后的数据,对单个股票的预测和操作策略指导获得了可观的回报率,这为下面的投资组合构建奠定了基础.在投资组合的构建中,本文选择的股票池由更能代表中国股市的沪深300成分股组成.选取2013-01-01至2015-01-01两年的数据,包括12个入选因素和股票的上涨情况.为了在策略写作过程中尽可能地模拟真实情况,设置了滑动和手续费等影响因素.在模型的回测实验结果中,获得了25.5%的年化回报率.此外,根据特征在随机森林算法中的重要性和相关性分析,对影响因素和模型进行了进一步的改进,改进模型的年化收益率高达32.2%,超额收益率α达到15.1%,获得了较高的夏普比和较低的回撤率.     

基于支持向量机的多因子选股建模及应用研究

多因子选股模型是国际上应用最广泛的量化投资模型之一,也是我国量化投资领域关注的热点问题.本文选取2007年1月-2017年11月间我国A股市场正常上市的公司股票作为研究对象,全面选取成长类、估值类、盈利类、技术类和资本结构类5个类别共18个因子构建初始因子池,利用统计分析的方法进行有效因子的筛选和检验.在此基础上,利用...     

高维因子模型及其在统计机器学习中的应用

本文综述近年来因子模型研究的最新进展及其在统计机器学习中的应用.因子模型通过较少的因子实现降维,并为协方差矩阵提供了一种低秩加稀疏的结构,不仅受到高维数据分析领域的关注,也被广泛应用于计量经济学、数量金融学、基因组学、神经科学和图像处理等许多科学、工程及人文社科领域的研究中.本文系统阐述利用主成分分析方法提取潜在因子、估计因子载荷、异质结构与整体协方差矩阵的统计推断方法,这套方法被证明可以有效应对当前大数据所表现出的高维性、强相关性、厚尾性和异质性等重大挑战;另外,还重点介绍了高维因子模型在处理协方差矩阵估计、模型选择和多重检验等高维统计学习问题中的作用;最后,通过几个应用实例说明因子模型与现代机器学习问题之间的密切联系,其中包括当下流行的网络分析和低秩矩阵还原等.     

基于层次分析法的选股决策

应用层次分析法 ,通过建立递阶层次结构和判断矩阵 ,并结合定性评价和定量评价 ,对投资股票项目中的股票进行评价和排序 ,进而做出合理的选择决策 .通过实证表明 :层次分析法在股票选择中是一种实用、有效的方法 ,有较好的应用价值 .     

基于机器学习组合模型的疟疾发病率预测研究

由于疟疾传播的复杂性,运用发病率历史数据和现有时间序列模型难以准确预测其发病率趋势.拟建立一种新的组合模型,以提高模型预测性能,并将其与应用较广泛的组合模型ARIMA-NNAR,ARIMA-LSTM进行比较.其中,以ARIMA(1,1,2)(0,1,0)12为基础建立的ARIMA-NNAR-XGBoost加权组合模型,...     

基于机器学习模型预测A股市场高送转股票

A股高送转作为我国政策特有的现象,对其精确、有依据的预测有一定的研究价值.本文对A股数据集进行缺失值、异常值、标准化等数据处理,采取特征选择中过滤法、包裹法、嵌入法等方法提取特征,结合经济学意义得到最终特征.数据的不平衡采取过采样、欠采样以及SMOTE采样等方法处理.最后采用基于Stacking算法融合模型,第1层学习器采用5种分类机器学习模型,并进行超参数调整;第2层采用LightGBM模型预测,以F1分数为评价指标,进行对A股市场预测哪些公司可能会实施高送转.     

一个多因子信用违约互换定价模型

考虑一个违约互换的多因子的简化模型,通过测度的转化并求解一个多变量Riccati常微分方程而得出了这个模型的解析解.此模型是Duffie-Pan-Singleton(2000)模型的特例,但是这个模型存在解析解,而Duffie-Pan-Singleton模型并不存在解析解.模型的解析解对获得直觉的判断和进行模型的计算都非常有帮助,而且模型的解析解对实证检验也是有帮助的.     

机器学习中的最优化模型与对偶

数学最优化是以数学的方式来刻画和找出问题最优解的一门学科.机器学习利用数据构造预测方法,并对这些方法进行研究.介绍了机器学习中与支持向量机和稀疏重构相关的最优化模型.在此基础上,给出了三个典型最优化模型的对偶问题,并详细地讨论了对偶在求解这些问题中的应用.     

基于双因子定价模型的投资组合风险价值的多分辨率特征研究

为了识别金融市场投资风险的多分辨率特征及优化投资组合,以资本市场风险和汇率市场风险为双因子定价模型的风险因子,利用小波方差及协方差无偏估计量,给出了单个资产风险因子敏感度多分辨率计算方法,以此为基础还得到了投资组合的风险值(VaR)及其边际风险值(MVaR)的多分辨率分解公式.对上证A股市场的实证分析表明投资组合的风险价值及边际风险价值依赖于投资时限,短线投资潜在的损失比长线投资要大;进一步分析表明中国股市存在多分辨率风险特征,这种风险特点可能是由市场系统风险和汇率风险以及异质性投资活动共同作用的结果.研究还发现多分辨率边际风险价值是确定多分辨率投资组合优化模型求解的重要条件之一.     

基于随机因子模型的增强型指数基金

创新性的假设传统的Fama-French三因素模型中的三因素为服从正态分布的随机变量,进而获得了股票收益随机变量的分布信息.采取部分复制的原则建立增强型指数基金随机投资组合优化模型,通过引入投资组合风险概率约束给出增强型指数基金的绝对风险上限,针对增强型指数基金建立基于VaR的超额收益概率约束.引入最买入门槛限制降低增强型指数基金的管理费用,增强其流动性.最后,根据股票收益的概率分布特征,获得基于上述约束的指数基金和增强型指数基金的确定性优化模型,并同时基于上证A股进行了实证分析.     

基于机器学习的土地估值方法

文章将基于互联网的区位信息和区域经济因素纳入土地评估,选取土地市场网“招拍挂”出让数据构建训练和测试样本,建立城市土地评估的回归、树、神经网络和深度学习四套模型,并对模型的预测能力和稳健性进行评价.研究表明,XGBoost估值效果最优,适用于不同类型用地.此外,文章发现土地基本属性、区位和宏观经济这三类因素均对土地估值有不可或缺的作用,其中监测地价和容积率上限的贡献度最大,说明宏观市场价格和可利用程度是最重要的影响因素.     

关于多因子方差模型的互补约束和互补连通性

对于多因子不完全实验和方差模型,本文提出了效应的互补约束和模型的互补连通问题。证明了具有互补约束和两个方差模型,其最小无偏设计的网点子集也具有互补性。这一互补连通原理将文[1]关于谱糸效应模型连通性和定理扩展为关于谱糸余效应模型的相应结果。     

基于因子模型的指数跟踪及实证分析

指数跟踪是指数基金和机构投资者广泛使用的被动投资管理策略. 通过建立股票收益的多因子模型, 提出了将组合的贝塔值控制在合适范围内, 并在期望超额收益非负的条件下, 最小化组合风险的指数跟踪模型. 同时,考虑到实际需要, 在模型中限制了组合中股票的数量和持有量.实证分析结果表明, 通过选取不同的控制参数,
该模型产生的跟踪组合既能实现较小的跟踪误差,也能实现一定的超额收益.     

基于推广多因子模型的资产动态配置研究——以上证A股为例

考虑投资者关于市场的观点,并用椭球分布替代正态分布作为资产收益和投资者观点分布导出推广的多因子模型(EMFM).采集2015年1月5日到2018年9月11日上证A股中分列于11个行业共828只股票的日收益率及其相关指标,采用5个系统风险因子,在3种常用风险指标下应用EMFM对该高数据进行动态建模并做资产配置分析.实证结...     

基于SEM-BN模型的核电厂操纵员行为形成因子优化

认知可靠性与人误分析法(CREAM)的共同绩效条件(CPC)的定义相对模糊且具有重合性,在实际工程应用预测失误率时主要依赖专家主观判断,不确定性强.为了改善这一问题,结合WANO(世界核电厂运营者协会)根原因体系提出对CPC的改进方法,改进后的CPC体系经结构方程模型验证证明是合理可行的,优于原体系.基于新的CPC体系...     

基于混合分布单因子模型的CDO定价问题

本文讨论了基于混合分布单因子模型的CDO定价问题,在所研究的CDO抵押资产组合中,描述资产价值的市场共同因子和异质因子均服从标准高斯和NIG的混合分布,且相关系数为随机相关系数.通过半解析法给出了CDO分券层的公允价格公式,并利用傅里叶变换及其逆变换,得出了贝努利相关和三状态相关两种随机相关系数的情形下累积损失概率分布的求解方法.     

基于多蜂群模型的多目标人工蜂群算法研究

提出了一种基于多蜂群模型的新颖多目标人工蜂群算法(MCMOABC,).算法使用外部档案存储非支配解,运用自适应网格对档案进行维护.在MCMOABC算法中存在3个搜索域各不相同的蜂群,其中2个称为基本蜂群,第3个为综合蜂群.选择4个常用的性能指标,将MCMOABC与其他主流算法在CEC2009测试集上进行比较,实验结果显示了算法的优越性.     

基于物理经验模型约束的机器学习方法在页岩油产量预测中的应用

页岩油气产量预测是确定其开发经济性的重要手段,目前的产量预测研究很少能在物理模型与数据挖掘方法之间达到统一.针对页岩油气的产量分析,本研究深入结合误差反向传递（BP）神经网络和长短期记忆（LSTM）神经网络的数学方法优势,综合考虑工程经验模型的约束,改善了模型预测精度,经过实例数据训练后可较好地预测油田产量,并研究了页岩储层深度、总有机碳含量（TOC）、脆性度等油田参数对产量预测的影响规律.这项工作可以为页岩油气规模化开发提供可靠的产量预测和经济评价.