多因子选股模型python_A题通过机器学习优化股票多因子模型

第七届“泰迪杯”数据挖掘挑战赛——

A

题：通过机器学习优化股票多因子模型

Fama

通过分析美国市场几十年的数据发现，美国股市绝大部分可以被市值、估值以及

市场收益

3

个因子解释，

并因此获得了

2013

年诺贝尔经济学奖。

Fama

的工作开启了通过因

子化分析股市获取超额收益的先河，

此后学术界及业界不断地寻找其他能获取超额收益的因

子及其组合和风险控制的方式。

在我国，基于财务因子(比如市盈率、市值等)及长周期的量价因子(比如月度反转、

月度成交量等)

为主要因子的传统多因子模型在

A

股市场曾经获得过较为稳健的超额收益，

但是由于

A

股市场存在明显的风格切换

(比如

2017

年下半年从传统的小市值风格切换到只

有极少数大市值股票上涨，而绝大部分股票下跌的风格)

，传统多因子模型的稳定性及有效

性受到了较大的考验。

相比传统的线性多因子模型，

机器学习算法能够通过对因子的非线性表达，

捕捉到更加

精细的市场信号，获取较为稳健的超额收益。

根据

2016

年

1

月

1

日至

2018

年

9

月

30

日我国

A

股市场的数据

(数据提取方式见附录

2

)

，

筛选出各大类股票因子中较优的子因子。

在此基础上，

分析不同的机器学习算法对提升

这些因子的等权重线性模型表现的优劣，

并使用

“

Auto-Trader

策略研究回测引擎”

进行策略

回测(初始资金为

1000

万元整，手续费为双边千分之

3

，每月月初调仓)

。

可以从以下角度入手进行分析：

(1)

利用

Auto-Trader

中各大类因子

(见附录

3

)

的日频数据

(数据提取方式见附录

4

)

，

分别做单因子策略研究和绩效分析，挑选出使得年化夏普比率(

Sharpe ratio

)最优的各个大

类的因子。

(2)

基于机器学习算法对

(1)

中挑选的因子，进行增强，利用

2016

年

1

月

1

日至

2018

年

9

月

30

日的数据进行选股和回测，比较不同机器学习算法选股策略与等权重线性模型选

股策略之间年化夏普比率的优劣。

(3)

对选股策略进行风险控制，要求将最大回撤控制在

10%

以内，重新完成

(2)

。

注：

除提交论文外，参赛队还须提交策略的回测报告，提交方式详见附录

7

。

参考文献

[1] Aurélien Géron

，

机器学习实战：

基于

Scikit-Learn

和

TensorFlow

，

机械工业出版社，

2018.9.