导　　师： 龙卫江

授予学位： 硕士

作　　者： ;

机构地区： 华南理工大学

摘　　要： 多因子选股和“高送转”股票预测在本质上都属于量化选股的范畴,均在投资领域占有重要的地位。从公开的资料来看,国内市场上多因子选股模型的构建主要有截面回归法和打分法,“高送转”股票的预测也主要采用主观性较强的打分法。截面回归法将因子与股票收益的关系看成是简单的线性关系,打分法主要依赖于投资者的市场经验,为了克服上面两种方法的缺点,本文将量化选股看成一个分类问题,而集成学习是机器学习中最重要的分类算法之一。鉴于此,本文将构建基于集成学习的量化选股模型。构建多因子选股模型首先要选择有效因子,本文使用几种不同风格的因子构建因子库,其中包括质量类因子、成长类因子以及技术指标类因子等,针对中国市场具有严重的投机现象,在已有研究的基础上构建了投机类因子,并通过单因子测试模型对投机类因子进行检测。接下来使用基于正则化逻辑斯谛回归模型(LogisticRegression)为基分类器的AdaBoost算法(LRdaBoost算法)来构建多因子选股模型,提出了 M1和M2两种选股模型。最后,分别使用这两种选股策略构建多因子投资模型,通过对2013年3月至2016年12月期间的全A股市场进行回测,M1模型的年化收益率达到33.36%,M2模型的年化收益率达到36.7%。为了构建合适的“高送转”选股模型,本文使用K近邻、CART算法和逻辑斯谛回归构造了一个打分模型,并分别与随机森林、AdaBoost算法以及本文构建的LR-AdaBoost算法构造的选股模型比较,发现打分模型和基于LR-AdaBoost算法构建的选股模型的具有较高的查准率,且每种方法的查准率均远高于“高送转”股票在市场的占有率。最后分别构建了“高送转”投资模型,对2010年至2016年的“高送转”股票组合进行投资,打分模型整体表现最佳,年化收益率高达86.86%。本文一方面构建了单因子有效性检�

关 键 词： 多因子选股 高送转 股票预测 分类 逻辑斯谛回归

领　　域： []