基于XGBoost算法的多因子量化選股方案策劃.pdf

1、近年來，量化投資憑著其紀律性、系統(tǒng)性、及時性及分散化的特點，日益受到機構投資者和對沖基金的重視。同時，我國證券投資市場的規(guī)模和證券開戶數都在迅猛的增加，從我國證券市場有效性和國外證券市場的發(fā)展經驗來看，量化投資的發(fā)展前景毋庸置疑且值得期待。盡管如此，目前國內量化投資產品依然存在總體規(guī)模小、量化策略單一、策略業(yè)績分化等缺點。此時，研究新的量化投資方式和挖掘新的建模思路的重要性對于豐富量化投資產品，提升市場規(guī)模，推動量化投資的發(fā)展意義重大。

2、
　　在眾多的量化策略中，多因子選股策略憑借其穩(wěn)定性和覆蓋廣等優(yōu)勢被許多研究者關注。多因子選股量化策略方案主要致力于解決多因子的選取夠全面，其次是分類模型有良好的泛化能力，基于此兩大方向，本文都進行了一定的優(yōu)化和改進，其一本文首次相對全面的搜集了因子數據，除了大部分研究者使用的財務、紅利、動量等因子，總共使用了307個因子，我還加入了規(guī)模、估值、宏觀、債券和樓市相關因子;其二本文首次使用較為新穎的XGBoost提升算法，此算法的主

3、要優(yōu)勢是:XGBoost支持線性分類器，而且自帶L1和L2正則化項的邏輯回歸或者線性回歸。其次，XGBoost在代價函數里加入了正則項，使學習出來的模型更加簡單，防止過擬合;最后，XGBoost借鑒了隨機森林的做法，支持列抽樣，不僅能降低過擬合，還能減少計算，并且XGBoost工具支持并行，速度較快。并比較了SVM、隨機森林和XGBoost三種算法的優(yōu)缺點和建模交過對比，證實XGBoost算法效果和穩(wěn)定性最好;其三，本文改變了以往的因子