ML-FFA:基于机器学习和基本面因子分析的量化投资策略被引量：1

下载PDF

导出

摘要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ML-FFA(Machine Learning and Fundamental Factor Analysis),以股票基本面多因子作为输入变量,利用梯度提升回归、随机森林回归两种机器学习算法来预测股票涨跌幅,依此构建投资组合策略。实证结果显示:ML-FFA量化投资模型能够有效地适用于A股交易市场。

作者王云凯蓝金辉

机构地区北京科技大学

出处《时代金融》 2018年第32期358-359,375,共3页 Times Finance

关键词 ML-FFA模型梯度提升回归随机森林回归基本面因子分析涨幅预测

分类号 F832.51 [经济管理—金融学] TP181 [自动化与计算机技术—控制理论与控制工程]

引文网络
相关文献

参考文献5

1汪洋..基于估值与业绩的选股策略有效性研究[D].电子科技大学,2010:
2吴荻..中国股票市场选股模型实证分析[D].复旦大学,2011:
3邹运..基于遗传算法的风格选股模型研究[D].东北财经大学,2012:
4张伟..支持向量分类机(SVC)在量化选股中的应用[D].山东大学,2014:
5曹正凤,纪宏,谢邦昌.使用随机森林算法实现优质股票的选择[J].首都经济贸易大学学报,2014,16(2):21-27. 被引量：10

二级参考文献6

1严高剑,胡浩,马坚,等.GARP投资策略——成长与价值并重[R].中信证券研究所,2008. 被引量：1
2焦健,赵学昂,葛新元.CART决策树的行业选股方法[R].深圳:国信证券经济研究所,2010. 被引量：2
3Breiman L Random Forests[J].Machine Learning,2001,45(1):5-32. 被引量：1
4方匡南,吴见彬,朱建平,谢邦昌.随机森林方法研究综述[J].统计与信息论坛,2011,26(3):32-38. 被引量：671
5黄衍,查伟雄.随机森林与支持向量机分类性能比较[J].软件,2012,33(6):107-110. 被引量：71
6陈光兴,张一明.浅谈价值成长投资策略在中国股市的适用性[J].经营管理者,2010(24):8-8. 被引量：3

共引文献9

1张毅,田浩.XGBoost在量化选股中的应用研究[J].金融管理研究,2020(2):122-132.
2张文俊,张永进.4种数据挖掘典型分类方法在股票预测中的性能分析[J].安徽工业大学学报（自然科学版）,2017,34(1):97-102. 被引量：2
3林娜娜,秦江涛.基于随机森林的A股股票涨跌预测研究[J].上海理工大学学报,2018,40(3):267-273. 被引量：8
4罗鑫,张金林.基于多时间尺度复合深度神经网络的股票价格预测[J].武汉金融,2020(9):32-40. 被引量：10
5闫政旭,秦超,宋刚.基于Pearson特征选择的随机森林模型股票价格预测[J].计算机工程与应用,2021,57(15):286-296. 被引量：27
6杨淼杰,王彩凤,武辰华.基于随机森林算法的多因子选股模型研究[J].纯粹数学与应用数学,2023,39(4):506-519.
7李浩楠,周念清,郑茂辉,李晓峰.应用随机森林模型识别南宁地铁线路地层结构特征[J].地球科学前沿（汉斯）,2020,10(12):1285-1294.
8郭萱,鲍勇,于水源.基于随机森林方法的国产电影票房研究[J].数据挖掘,2021,11(2):11-20.
9卢相刚,王泽仁.基于机器学习的选股模型及投资组合研究[J].数据挖掘,2024,14(1):43-63.

同被引文献10

1国琳,杨宝臣.利用财务指标预测股票价格及财务风险预警[J].科学技术与工程,2005,5(23):1854-1857. 被引量：4
2王淑燕,曹正凤,陈铭芷.随机森林在量化选股中的应用研究[J].运筹与管理,2016,25(3):163-168. 被引量：36
3李斌,林彦,唐闻轩.ML-TEA:一套基于机器学习和技术分析的量化投资算法[J].系统工程理论与实践,2017,37(5):1089-1100. 被引量：33
4欧阳志友,孙孝魁.基于梯度提升模型的行为式验证码人机识别[J].信息网络安全,2017(9):143-146. 被引量：6
5谢合亮,胡迪.多因子量化模型在投资组合中的应用——基于LASSO与Elastic Net的比较研究[J].统计与信息论坛,2017,32(10):36-42. 被引量：19
6林娜娜,秦江涛.基于随机森林的A股股票涨跌预测研究[J].上海理工大学学报,2018,40(3):267-273. 被引量：8
7邬春学,赖靖文.基于SVM及股价趋势的股票预测方法研究[J].软件导刊,2018,17(4):42-44. 被引量：6
8贾秀娟.基于随机森林的支持向量机量化选股[J].区域金融研究,2019(1):27-30. 被引量：4
9张红斌,邱蝶蝶,邬任重,朱涛,滑瑾,姬东鸿.基于极端梯度提升树算法的图像属性标注[J].山东大学学报（工学版）,2019,49(2):8-16. 被引量：4
10徐英杰,李国勇,洪文焕.基于多粒度级联多层梯度提升树的选票手写字符识别算法[J].计算机应用,2019,39(A01):26-30. 被引量：4

引证文献1

1邓晶.基于因子偏离度的GBDT多因子选股模型[J].软件导刊,2021,20(1):109-112.

1韩复龄,阿丽娅.资产收益的可预测性及动态管理投资组合策略研究——基于实证分析的视角[J].中国证券期货,2018,21(6):63-68. 被引量：1
2杨珂,陈绍真,王波,林伟珍.基于机器学习的分布式光伏电站投建人信用风险评估模型研究[J].征信,2018,36(12):33-37. 被引量：2
3王桂兰,赵洪山,米增强.XGBoost算法在风机主轴承故障预测中的应用[J].电力自动化设备,2019,39(1):73-77. 被引量：47
4赵廷廷,王喆,卢奕南.基于传播概率矩阵的异构信息网络表示学习[J].浙江大学学报（工学版）,2019,53(3):548-554. 被引量：3
5陈虹,肖越,肖成龙,陈建虎.融合最大相异系数密度的SMOTE算法的入侵检测方法[J].信息网络安全,2019(3):61-71. 被引量：3
6王绍锋,张洪勋,胡磊闯.“一带一路”沿线国家清洁能源投资区位选择研究[J].国际工程与劳务,2019(1):51-54. 被引量：3
7刘居贤.深度学习与人工神经网络[J].科技经济导刊,2018(31):7-9.
82019年第五届IEEE控制、自动化和机器人技术大会(ICCAR 2019)（英文）[J].智能系统学报,2019,14(1):164-164.
9刘广涛,朱凯,李娟.基于蒙特卡罗模拟方法的超深水钻完井投资估算[J].中国井矿盐,2019,50(2):3-7. 被引量：1
10Zeyu LIU,Yantao YANG,Qingdong CAI.Neural network as a function approximator and its application in solving differential equations[J].Applied Mathematics and Mechanics(English Edition),2019,40(2):237-248. 被引量：3

时代金融

2018年第32期

浏览历史

内容加载中请稍等...

ML-FFA:基于机器学习和基本面因子分析的量化投资策略被引量：1

参考文献5

二级参考文献6

共引文献9

同被引文献10

引证文献1

相关作者

相关机构

相关主题

浏览历史

ML-FFA:基于机器学习和基本面因子分析的量化投资策略 被引量：1

参考文献5

二级参考文献6

共引文献9

同被引文献10

引证文献1

相关作者

相关机构

相关主题

浏览历史

ML-FFA:基于机器学习和基本面因子分析的量化投资策略被引量：1