论文MLFFA:基于机器学习和基本面因子分析的量化投资策略，本文是关于量化投资方面毕业论文格式范文跟机器学习和量化投资策略和因子有关毕业论文范文.
一,引言
量化投资因其本身量化模型多元、观察视角广和可分析海量数据的特点,使得它能够捕捉到更多的投资机会；同时还能根据投资理念的变化、市场的变化,不断发掘和优化出能够提供新的更大投资收益的统计模型；用量化思维进行投资交易更可以克服投资者主观判断偏差.另一方面,在当今人工智能迅猛发展的环境下,机器学习已经能够快速海量地对数据进行分析、拟合、预测,人工智能与量化交易之间的联系也越来越紧密.比如,在2013年,世界著名的桥水联合(Bridge water Asspcoates)公司就基于人工智能建立了一个量化投资团队,该团队利用最新的机器学习算法设计交易策略算法,结合历史数据和统计概率对未来的金融市场进行预测.
二,文献综述
现有的股票基本面研究主要通过对基本面多因子进行打分、排序,优选股票以建立投资组合.例如,在国外的研究中,Joseph D.Piotroski (2001)从盈利因子、动量因子及账面市值比等方面建立股票多因子打分模型,获得各因子综合排名较高的一些股票,构建收益较高的投资组合.Partha S.Mohanram (2005)从盈利能力和流表现、成长能力、账面市值比影响因子三个方面选取8命指标编制成一个指数,依据此指数建立投资组合.在国内的研究中,汪洋(2010)通过研究多因子量化选股模型发现估值指标、业绩指标可以使投资组合产生一定的超额收益.吴荻(2011)结合A股市场分析多因子Z评分方法,研究发现,该多因子打分模型在A股市场中是充分有效的.邹运(2012)在多因子选股模型中应用市场风格加权策略,通过遗传算法求解市场最优风格的权重.研究发现,投资组合表现更优.
现有量化投资的机器学习方法研究主要体现在两方面,第一,利用机器学习算法对股票在时间序列上进行分析预测.第二,利用机器学习方法根据股票基本面多因子进行股票分类.S.A.Bogle等(2015)通过决策树、人工神经网络、支持向量机等机器学习方法对牙买加股票交易市场股票、成交量进行预测.研究发现,在该市场中,股价预测准确率能够达到90%,股票成交量预测准确率超过70%.Michel BaⅡings等(2015)利用5767家公开上市的欧洲公司数据检验集成算法(随机森林、Adaboost、Kernel Factory)与单一分类器队工神经网络、Logistic回归、K近邻、SVM)的股价预测效果,研究发现,集成算法申的随机森林算法表现最优.在国内的研究中,张伟(2014)将SVM应用到股票多因子选股模型中,利用支持向量机SVM中的分类技术(SVC),将股票分为优秀和糟糕两组,选取表现优异股票构建投资组合；研究发现,策略收益跑赢市场基准.曹正凤等(2014)采用随机森林(Random Forest)算法实现了有效的股票分类,投资者可以据此调整投资组合；分析结果表明,该量化选股模型表现优秀.
从现有的文献可以发现,第一,现有股票基本面多因子研究多以简单多因子打分策略为主,缺乏对高维度、共线性因子的处理.第二,现有机器学习方法研究多局限于对股票时间序列上的预测以及根据股票多因子对股票进行分类的问题上,缺乏其结合基本面多因子的股票涨跌幅预测方面的研究,同时也缺乏一套完整的量化投资策略.
本文设计了一套基于机器学习回归方法和基本面因子分析的量化投资策略.该策略通过机器学习算法来挖掘基本面多因子与股票之间的相关性,进而利用这一内在动态关联模式预测股票涨跌幅,最后依据预测的涨跌幅来构建投资组合策略.根据所采用机器学习算法的不同,ML-FFA模型可分为基于随机森林回归和基本面因子分析的策略(RF-FFA)、基于梯度提升回归和基本面因子分析的策略(GB-FFA).
三,以基本面因子作为输入的机器学习模型
（一）机器学习算法
1随机森林回归.随机森林回归算法是一种集成学习回归方法,它针对多个子样本的不同特征组建多个决策树对相同现象进行相似的预测.其基本原理是,采用B ootstrap抽样从总体训练样本集S中随机抽取多个子样本,之后随机选取特征进行自助采样,随机产生每棵树的每个节点,并且每个节点的分割变量随机产生,从而建立多个决策树.模型建立好后,利用测试样本对各决策树进行测试,最终预测结果取所有决策树结果的平均值.随机森林回归模型结构见图1.
本文建立的是采用滑动窗口研究方法的在线学习量化选股模型,策略模型每次在一个固定长度数据区域内进行回归和预测；在完成本数据区域预测期的模拟投资之后,窗口将会滑向下一个区间,进行相同的回归和预测.每移动一个数据窗口,数据集就会进行更新,所以挖掘出来的规则也不一样.在每一个数据区域内,我们将其分为训练区间和测试区间.其中训练区间是用来利用历史数据确定ML-FFA模型中各因子的权重；测试区间主要是测试所得模型在样本外的预测效果,同时构建并优化相应的投资组合策略以检验所建立模型的投资绩效.本研究每次取当前交易日前22个交易日的基本面数据和股票收盘价作为训练集和测试集数据,在训练区间中,利用前11个交易日的股票基本面数据和其后11个交易日的股票区间涨跌幅共计11组数据进行模型训练,即利用机器学习回归方法挖掘每个交易日的基本面截面因子与1 1个交易日后的股票涨跌幅之间的内在联系.测试区间为训练区间最后一个交易日,取此交易日的基本面因子数据,利用训练好的模型进行股票涨跌幅预测.
ML-FFA模型的选股思路如下：
(1)设置调仓参数I,每I等于ll个交易日进行调仓；若不满足调仓条件,则不进行任何操作.
(2)获职调仓日前22个交易日股票基本面数据和股票收盘价日频数据,并对股票基本面数据进行标准化和主成分分析；
(3)利用机器学习方法学习训练集数据,获得ML-FFA模型；
(4)利用ML-FFA模型,基于测试集数据对股票涨跌幅进行预测,得到股票的预测涨跌幅；
(5)将股票的预测涨跌幅降序排列,剔除调仓时点涨停和跌停股票,等额买入前5只股票.
四,实证结果
（一）实证数据说明
本文选取22个行业龙头股共计140只股票（各行业见附录1）,时间自2014年1月1日到2017年12月31日的股票日频数据,进行ML-FFA模型效果验证.股价均采用当日股票交易真实.所有数据均取自JoinQuant聚宽量化交易平台,并利用聚宽量化交易平台进行回测工作.基准策略采用买入并持有HS300指数策略,基准收益计算方式即为HS300指数从期初到期末的涨幅.调仓时间为交易日时间14:50.
本模型设定交易成本如下：佣金为0.03%,滑点为0.246%,印花税为0.1%,初始开仓资金设定为50万.同时,为策略添加止损条件,当上证指数日跌幅达6%时,立即清仓,30个交易日后再进行交易.
(二)ML-FFA模型回测
图2、图3分别细致展示出ML-FFA模型下两策略在20140101 20171231时间段内回测的策略收益.（指标说明：Backtest是相应模型策略的收益走势,对应为上方曲线．benchmark_returns是HS300指数的走势,即基准收益,对应下方曲线.）
本文点评，此文为一篇关于经典量化投资专业范文可作为机器学习和量化投资策略和因子方面的大学硕士与本科毕业论文量化投资论文开题报告范文和职称论文论文写作参考文献.
参考文献：
1、 机器学习 史与应用前景 摘 要 随着“人工智能”技术的发展,人们开始越来越多地研究计算机怎样模拟或实现人类的学习行为,来获取知识或技能 机器学习作为实现“人工智能”的一种方法,.
2、 机器学习抵御未来网络威胁 随着越来越多的企业拥抱数字化,保护企业自身的措施也必须演进,主动抵御安全风险,要比被动响应风险更加至关重要 在我们许多人的眼中,机器无需人类教授便能够自主学习是科幻小说或电影中的情节 而科幻电影给我们.
3、 数据入，智能出：机器学习管道不再神秘 作者 Serdar Yegulalp 编译 杨勇把机器学习看成是一个魔术黑箱是比较贴切的 进去的是数据；而出来的是预测 但是在这里没有什么魔法——只是数据和算法,以及通过算法处.
4、 机器学习证明了它在商业上的价值 作者 Bob Violino 编译 charles边缘上的人工智能机器学习将成为主流,早期采用者得到了商业利益机器学习热得不能再热了 机器学习作为一种人工智能,使得计算机能够学习执行任务,进行.
5、 互联网背景下证券投资学课程学习共同体模式应用探析 摘 要互联网技术的应用推广改变了传统的金融环境,社会对复合型金融人才的需求量越来越大 “证券投资学”作为金融学核心课程与时俱进地开展教学改革势在必行 在阐述互联网背景下&ldq.
6、 学习共同体视角下高职师生共同的策略 ■白杨张建敏／冀中职业学院摘要在新课改背景下,为促使我们的教育更符合当今日益发展的社会需求现实情况,任何有效的、先进的且极具积极作用的教学方式,都是值得我们去尝试的 而学习共同体这一新型教学概念的出现.