量化投資-用機(jī)器學(xué)習(xí)尋找Alpha_第1頁
量化投資-用機(jī)器學(xué)習(xí)尋找Alpha_第2頁
量化投資-用機(jī)器學(xué)習(xí)尋找Alpha_第3頁
量化投資-用機(jī)器學(xué)習(xí)尋找Alpha_第4頁
量化投資-用機(jī)器學(xué)習(xí)尋找Alpha_第5頁
已閱讀5頁,還剩21頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

用機(jī)器尋找Alphaxinhua.sun@目錄量化投資的基本概念什么是Alpha?機(jī)器學(xué)習(xí)在資產(chǎn)管理中應(yīng)用SignalWeightingLasso/Ridge

Regression

vs.

OLSAdaBoost量化投資定性投資和量化投資在投資理念上沒有本質(zhì)上的區(qū)別,只是投資方法不同定性投資:偏藝術(shù)深入研究少而精定量投資:偏科學(xué)發(fā)掘市場規(guī)律廣度用統(tǒng)計規(guī)律和數(shù)學(xué)模型來指導(dǎo)投資,本質(zhì)是定性投資的數(shù)量化實踐對沖基金常用量化策略常用的量化策略收斂性套利市場中性Alpha事件驅(qū)動統(tǒng)計套利多空策略CTA風(fēng)險+Alpha假設(shè)任何有價證券的超額收益都來自于以下模型:r=a+brb那么 ra=r–rb=a+brb-rb=a-(1-b)rb其中

a=主動收益的選股部分 (b-1)rb=主動收益的基準(zhǔn)擇時部分Alpha的解釋Alpha(a)指的是投資回報中來自投資經(jīng)理選股的一部分,而不是來自于基準(zhǔn)表現(xiàn)Alpha也指“剩余收益”如果我們規(guī)定b=1,則禁止標(biāo)的指數(shù)擇時,Alpha就是主動收益(傳統(tǒng)做多投資目標(biāo))如果將基準(zhǔn)設(shè)定等于某一計價單位(例如:美元),那么alpha=主動回報=超額收益和投資經(jīng)理資產(chǎn)配置(對沖基金投資目標(biāo))市場中性Alpha國內(nèi)常用的市場中性策略做法:構(gòu)建一個股票組合(多因子模型)放空一個指數(shù)(滬深300,中證500……)風(fēng)險收益來源于股票組合相對于指數(shù)的表現(xiàn),與指數(shù)本身的表現(xiàn)無關(guān)多因子模型A股市場由于散戶的參與量大,價格與價值往往偏差較大,因此A股市場非常適合運用多因子模型來挖掘股票投資的價值股票因子定價模型單個因子分析因子之間的優(yōu)化依據(jù)國外學(xué)術(shù)界和業(yè)界多年研究發(fā)明的股票定價多因子模型已經(jīng)在海外市場被廣泛應(yīng)用并得到充分驗證A股市場非常適合運用多因子模型來挖掘股票投資價值以基本面為導(dǎo)向的估值因子以技術(shù)分析為導(dǎo)向的股票走勢技術(shù)因子以及其他風(fēng)格因子綜合多維度因子:綜合考量單因子貢獻(xiàn)度,以及因子之間的相關(guān)性/互補(bǔ)性常見因子池基本面市凈率市盈率企業(yè)估值倍數(shù)企業(yè)負(fù)債率等等技術(shù)動量趨勢價格反轉(zhuǎn)流動性波動率等等其他風(fēng)格規(guī)模成長分析師等等機(jī)器學(xué)習(xí)基于數(shù)據(jù)構(gòu)建概率統(tǒng)計模型并運用模型對數(shù)據(jù)進(jìn)行預(yù)測與分析的一門學(xué)科,也稱為統(tǒng)計機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)在投資中的應(yīng)用信息處理公告閱讀關(guān)聯(lián)關(guān)系主題發(fā)現(xiàn)情感分析策略研究事件研究動態(tài)多因子財富管理機(jī)器人理財資產(chǎn)配置機(jī)器學(xué)習(xí)&策略研究尋找新的因子探索新的數(shù)據(jù)源(特別是信噪比高的數(shù)據(jù))因子配權(quán)Signal

Weighting固定權(quán)重經(jīng)驗和主觀偏好穩(wěn)定,對極端值不敏感抓不住短期風(fēng)格變化動態(tài)多因子對于短期風(fēng)格變化敏感對于極端值敏感SignalWeighting假設(shè)我們已經(jīng)有了多個不同風(fēng)格因子的集合,如何確定因子在模型中的權(quán)重(因子收益率)固定權(quán)重根據(jù)經(jīng)驗Grinold(2010)OLS&Lasso&RidgeRegressionAdaBoostSVMRandomForest…OLS&Lasso&RidgeRegression

OLS的問題

RidgeRegression&Lasso

Model

selection

in

LassoLasso算出來的w很多項是0參數(shù)估計和選擇一并完成AdaBoost簡介監(jiān)督學(xué)習(xí)、分類問題弱分類器比強(qiáng)分類器容易Boosting方法從弱學(xué)習(xí)算法出發(fā),反復(fù)學(xué)習(xí),得到一系列弱分類器,然后組合這些弱分類器,構(gòu)成一個強(qiáng)分類器WhyAdaBoost模型機(jī)制與原理清晰模型參數(shù)少,參數(shù)敏感度低每一輪如何改變訓(xùn)練數(shù)據(jù)的權(quán)值或概率分布如何將弱分類器組合成一個強(qiáng)分類器AdaBoost算法流程訓(xùn)練樣本弱分類器權(quán)重調(diào)整強(qiáng)分類器因子數(shù)據(jù)標(biāo)準(zhǔn)化按收益率區(qū)分強(qiáng)勢弱勢股權(quán)重初始化為等權(quán)重計算因子區(qū)分度選擇區(qū)分度最優(yōu)的因子降低分類正確的股票權(quán)重提高分類正確的股票權(quán)重合并所有的弱分類器示例來源:淺談AdaBoost算法細(xì)節(jié)處理

AdaBoost動態(tài)多因子算法流程風(fēng)格可測性回測結(jié)果參考資料[1]李航.《統(tǒng)計學(xué)習(xí)方法》2012.3[2]興業(yè)證券

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論