http://www.paper.edu.cn
- 1 -
中国科技论文在线
基于机器学习的优化股票多因子模型
#
唐思佳，熊昕，谢满，丁力，张上
**
（三峡大学计算机与信息学院，宜昌市 443002）
5
基金项目：赛尔网络下一代互联网技术创新项目(NO.NGII20161210)
作者简介：唐思佳（1999—）女，在读本科生
通信联系人：张上，讲师，硕导，嵌入式，物联网，地理信息系统. E-mail: zhangshang@ctgu.edu.cn
摘要：本文旨在构建机器学习优化股票多因子模型，用以处理 A 股市场风格切换和选股问题
来最终获得超额收益。分 别从因子表达，机器学习算法两个角度来对 A 股市场股票的波动规
律进行研究，获取最大回撤的超额收益。首先构建因子分析模型来筛选出 7 个最优因子。然
后构建了基于机器学习的随机森林模型，通过随机森林回测某段时间的股票波动情况。本文
使用公开的 2016 年 1 月 1 日至 2018 年 9 月 30 日我国 A 股市场的数据对算法性能进行评估。
10
实验结果显示回测的正确率为 83%。收益的平均利率约为 1.57%。
关键词：计算机应用超额收益；随机森林；熵风险；机器学习算法
中图分类号：TP391；F820.3
Optimized stock multi-factor model based on Machine
15
Learning
Tang Sijiia, Xiong Xin, Xie Man, Ding Li, Zhang Shang
(China Three Gorges University,School of Computer and Information，YiChang 443002)
Abstract: The purpose of this paper is to build an optimized stock multi-factor model based on
machine learning to deal with A-share market style switching and stock picking issues to finally obtain
20
excess returns. From the perspective of factor expression and machine learning algorithm, the paper
studies the fluctuation law of A-share market stocks and obtains the maximum return of excess returns.
First, a factor analysis model was constructed to screen out seven optimal factors. Then a stochastic
forest model based on machine learning is constructed, and the stock fluctuations of a certain period of
time are measured through random forests. This paper uses the published data from China's A-share
25
market from January 1, 2016 to September 30, 2018 to evaluate the performance of the algorithm. The
experimental results show that the correct rate of backtesting is 83%. The average interest rate on
earnings is about 1.57%.
Key words: Computer application；excess return; random forest; entropy risk; Machine Learning
algorithm
30
0 引言
自 1990 年沪深交易所成立以来，我国股市走过了二十几个春秋，目前我国 A 股市场已
经有 2500 多家公司挂牌。股票总市值已跃居全球前三位，在新兴资本场乃至全球资本市场
都有举足轻重的地位
[1]
。
35
尽管我国股票市场发展如此迅速，取得了瞩目的成绩，但是我国股票在诸多 方面与西
方发达资本市场仍然有一定的差距。首先是我国债券市场占据比重较小，期权期货等衍生品
市场发展更是受限制，资产市场的定价功能难以充分发挥。其次，我国股票市场的股民大多
存在较强的投机性，追逐内部消息导致资本市场秩序混乱、效率较低。这些不完善的制度也
是导致我国股票市场不稳定的原因之一
[2]
。基于财务因子以及长周期的量价因子为主要因子的
40
传统多因子模型在风格切换明显的 A 股市场的稳定性受到较大考验
[3]
。为了解决传统模型不稳定
性，我们打算构建基于机器学习的多因子模型，增加模型稳定性。
本文根据 Auto-Trader 中各大类因子的日频数据，分别做单因子策略研究和绩效分析，
挑选出使得年化夏普比率最优的各个大类的因子。通过对各个因子的增强，比较不同机器学
习算法选股策略与等权重线性模型选股策略之间年化夏普比率的优劣。
45
资源评论
