论文部分内容阅读
在交易时机及交易金额的精确操作方面,量化选股的优势非常突出。国外几十年的投资经验表明,量化选股业绩稳定、回报率高,备受投资者的青睐。进入21世纪之后,由于计算机技术的飞速发展和量化理论的不断完善,量化选股正在不断普及。量化选股策略可分为基本面量化和市场行为量化。不管是基本面量化还是市场行为量化,机器学习算法均能在其中发挥分类或预测作用。机器学习算法对处理非线性、高维数据特征问题具有突出优势,典型代表如SVM。随着计算机科学研究的迅猛发展,预计机器学习算法将在量化选股策略领域发挥越来越重要的作用。信息化技术的持续迅猛发展使得受复杂因素影响的金融产品的价格得以被量化,准确率也在快速地提高。由此引发了金融量化技术及自动交易策略的研究与应用热潮。为更好地提高金融量化的准确性、实用性,本文基于GRA-SVM预测股价涨跌并且在此基础上设计量化选股自动交易策略。基于GRA-SVM进行股价涨跌预测时,首先基于GRA计算股价与相关因子的关联度大小。选定关联系数ρ=0.5,计算出选自沪深300(HS300)成分股的股价与相关因子的关联度并将其按从大到小排序为销售现金比率、市销率、平均市净率、净利率、交易金额、总资产增长率、资产收益率、市盈率、股价偏度、总资产收益率、营业利润增长率、净资产收益率、波幅中位数、12月相对强势、10日换手率、换手率相对波动率、心理线指标、资本化率。其次,基于SVM进行股价涨跌分类预测时,逐一剔除与股价关联度较小的因子,得出不同因子组合下的预测准确率和预测耗时。随着选择因子数量逐步减少,SVM预测的耗时会减少,但准确率也会下降。通过在预测耗时和准确率之间取得平衡,选择出最佳的因子。实证结果验证了GRA-SVM选择因子和预测股价涨跌的有效性。通过实证结果分析,当最少选择销售现金比率、市销率、平均市净率、净利率、交易金额这五项与股价的关联度最高的因子时,SVM在采用RBF核函数时预测股价涨跌的准确率维持了最高水平,为0.68,可知因子数据构成的矢量空间是非线性的。因而确定这五项因子为最佳因子组合,用于量化选股策略中SVM预测股价涨跌。最后,基于SVM,依据确定的五项最佳因子预测股价涨跌,并在此基础上,设计量化选股交易策略。量化选股策略包括买进、卖出标准和策略实施频率。本文选股的基本策略是等比例买进预测将要涨价且当前未持有的部分股票,卖出已获取高收益率的股票并重新购买预测将要涨价的股票,并设计风险控制策略。对比了不采用SVM核函数条件下的选股策略回测结果和采用SVM的RBF核函数条件下的选股策略回测结果。当SVM采用RBF核函数时,量化选股策略的回测结果表现最好,回测时间从2016年1月1日至2019年05月1日,年化收益率为8.8%,显著优于基本年化收益率,最大回撤率为16.3%,收益波动率为10.3%。同时对比了采用SVM的RBF核函数的未控制风险策略回测结果和控制风险策略回测结果。加入风险控制策略会降低年化收益率,但同时降低了最大回撤和收益波动率,即降低了选股策略的持股风险。风险控制策略的有效性得到了一定程度的验证。