基于机器学习的多因子选股策略研究

表5-2来看，策略购入较多的股票都是工业行业，这符合近期工业领域在股票中涨幅较高的实际情况。行业配置对比行业名称策略配置基准配置权重配置差金融1.06%21.93%-20.87%工业36.36%19.29%17.07%现金12.12%0.00%12.12%信息技术2.52%11.55%-9.03%原材料14.35%7.26%7.09%主要消费7.39%14.17%-6.78%通信服务6.12%2.12%4.00%可选消费11.39%7.98%3.41%医药卫生6.43%9.10%-2.67%房地产0.00%1.94%-1.94%能源0.00%1.21%-1.21%公用事业2.26%2.29%-0.03%结论与展望通过此次的毕业设计我实现之间一直想要去做的方案，中国的股市现在还未达到全民参与，资金量的匮乏也导致股市出现不稳定的状况。随着人工智能、机器学习、大数据的快速发展，今年来量化投资在国内的重视程度也不断提高，很多私募都利用量化投资获得了良好的收益。但是，量化投资在我国股市中的应用还是很小的一部分，其一是量化投资市场规模小以及量化策略表现不稳定，其二是量化策略存在一定的趋同性。文本涉及了较多的常用因子数据，使用SVM算法获得较高的收益率，体现了将机器学习算法引入量化投资的可行性。并且我选用最新的数据作为模型回测样本，具有良好的说服力和适应性。但是还是有很多需要改善的地方：在回测模型中可以更多的考虑大盘的情况，如果大盘存在异常跌幅需要及时止损，此外还有很多小细节如涨停不能买入，跌停不能卖出，去除ST股票等。存在较大的回撤可以在模型中考虑风险控制，加入止盈止损条件或引入择时模型对股票的买卖时机及仓位进行判断。可以加入金字塔买入卖出模型等更多优化方案提升收益率。由于平台对于普通用户的限制，只能提前获取数据导入进行训练。如果可以用近一个月的数据预测近一个月星期的数据，不断更新获取最新的数据，那么数据将更好的拟合当前的股市状况，获得更高的收益。参考文献ADDINZOTERO_BIBL{"uncited":[],"omitted":[],"custom":[]}CSL_BIBLIOGRAPHY[1] 谢明柱.机器学习算法下的多因子量化选股策略[J].吉林工商学院学报,2021.[2] MarkowitzHM.PortfolioSelection[J].JournaloftheInstituteofActuaries,.[3] SharpeWF.CAPITALASSETPRICES:ATHEORYOFMARKETEQUILIBRIUMUNDERCONDITIONSOFRISK*[J].JournalofFinance,1964,19(3):425–442.[4] FamaEF,FrenchKR.Commonriskfactorsinthereturnsonstocksandbonds[J].JournalofFinancialEconomics,1993,33(1):3–56.[5] CarhartMM.OnPersistenceinMutualFundPerformance[J].SocialScienceElectronicPublishing,1997,52(1):57–82.[6] Piotroski,JosephD.ValueInvesting:TheUseofHistoricalFinancialStatementInformationtoSeparateWinnersfromLosers[J].JournalofAccountingResearch,2000,38:1.[7] MohanramPS.SeparatingWinnersfromLosersamongLowBook-to-MarketStocksusingFinancialStatementAnalysis[J].ReviewofAccountingStudies,2005,10(2–3):133–170.[8] Thakur,Manoj,Kumar,等.Ahybridfinancialtradingsupportsystemusingmulti-categoryclassifiersandrandomforest[J].APPLIEDSOFTCOMPUTING,2018.[9] 陈守东,孟庆顺,赵云立.中国股票市场FF多因子模型的比较分析[J].吉林大学社会科学学报,2003(5):6.[10] 彭丽芳,孟志青,姜华,等.基于时间序列的支持向量机在股票预测中的应用[J].计算技术与自动化,2006,25(3):4.[11] 李想.基于XGBoost算法的多因子量化选股方案策划[D].上海师范大学,2017.[12] 李杰.基于随机森林算法的多因子选股模型研究[D].哈尔滨工业大学.[13] 张虎,沈寒蕾,刘晔诚.基于自注意力神经网络的多因子量化选股问题研究[J].数理统计与管理,2020,39(3):15.[14] 舒时克,李路.基于ElasticNet惩罚的多因子选股策略[J].统计与决策,2021(16):