导　　师： 韩兆洲

授予学位： 硕士

作　　者： (）;

机构地区： 暨南大学

摘　　要： 作为投资界新兴的方法，量化投资凭借稳定的业绩，市场规模和份额逐渐扩大，已然成为资本市场的发展热点。机器学习作为人工智能的分支，以其强大的数据处理和自学习能力能够实现对金融市场非结构化信息的有效分析，因而成为量化投资领域中的重要应用方法。作为十大经典机器学习算法之一的集成学习方法AdaBoost，自提出以来已得到深入广泛的理论研究和应用，但对于AdaBoost在量化投资细分领域的改进和应用涉及较少。　　本文的研究尝试将AdaBoost算法应用于量化交易，并根据金融市场行情特点对算法加以改进。首先概述了国内外量化投资领域机器学习的研究应用现状，以及机器学习的基本统计理论方法;然后详细介绍了基于随机森林方法的特征选择原理和算法设计，以实现选择输入算法模型的最优数据子集;AdaBoost算法改进以增加算法应用性为出发点，改进内容包括包样本初始权值指数衰减处理、基于Hurst指数的行情波动判断、基于软间隔的弱分类器权重调整等，以实现缓解算法过拟合现象，增强算法泛化能力;最后，基于算法模型构建交易策略，通过AdaBoost_EHS改进算法和AdaBoost原算法策略的商品期货单品种、投资组合绩效比较，以及多品种的普适性测试，回测实证改进算法的“集成效果”明显，对趋势行情和进场时机的捕捉更加准确，模型策略具备较强的盈利能力和普适性，算法改进效果明显。　　本文对AdaBoost算法在量化投资中的改进与应用研究，有效地拓宽了期货市场的量化投资策略设计思路，对机器学习方法在量化投资领域的进一步应用具有实际的参考意义。同时，本文在参数优化、间隔分布理论、策略设计等方面有待进一步深入研究。

关 键 词： 量化投资 机器学习 算法 随机森林