機器學習驅動的基本面量化投資研究

作者：李斌,邵新月,李玥陽

摘要：基本面量化投資是近年來金融科技和量化投資研究的新熱點。作為人工智能的代表性技術,機器學習能夠大幅度提高經濟學和管理學中預測類研究的效果。本文系統性地運用機器學習,來提升基本面量化投資中的股票收益預測模塊。基于1997年1月至2018年10月A股市場的96項異象因子,本文采用預測組合算法、Lasso回歸、嶺回歸、彈性網絡回歸、偏最小二乘回歸、支持向量機、梯度提升樹、極端梯度提升樹、集成神經網絡、深度前饋網絡、循環神經網絡和長短期記憶網絡等12種機器學習算法,構建股票收益預測模型及投資組合。實證結果顯示,機器學習算法能夠有效地識別異象因子—超額收益間的復雜模式,其投資策略能夠獲得比傳統線性算法和所有單因子更好的投資績效,基于深度前饋網絡預測的多空組合最高能夠獲得2.78%的月度收益。本文進一步檢驗了因子在預測模型中的重要性,發現交易摩擦因子在A股市場具有較強的預測能力,深度前饋網絡在篩選因子數據上的多空組合月度收益達到了3.41%。本文嘗試將機器學習引入基本面量化投資領域,有助于促進人工智能、機器學習與經濟學和管理學的交叉融合研究,為推進國家人工智能戰略的有效實施提供參考。

發文機構：武漢大學經濟與管理學院

關鍵詞：基本面量化投資市場異象因子機器學習深度學習quantamental investingmarket anomaly factorsmachine learningdeep learning

分類號： F424[經濟管理—產業經濟]