金融工程专题研究:利用机器学习实现组合优化

用机器学习对股票收益分类

    本报告以机器学习中的SVM(支持向量机)为例,以中证800为基准,实现了对给定股票池的收益分类预测。通过逐步削去法,得到五因子组合构成的“SVM收益分类器”,输入每年因子截面数据,在超平面上对未来一年的股票收益分类跑赢/跑输进行预测。根据2009年至2015年的回测结果,平均年胜率为55%。

    用机器学习对股票波动分类 用类似的方法,同样用SVM作为分类器,以全A股票年波动率中位数为基准,实现了对给定股票池的波动分类预测。通过逐步削去法,得到十

    因子组合构成的“SVM波动分类器”,输入每年因子截面数据,在超平面上对未来一年的股票波动高/低进行预测。根据2009年至2015年的回测结果,平均年胜率超过61%,并且达到了降低投资组合波动率的目的。

    深究因子组合

    机器学习可以帮助我们综合、归纳;可以帮助我们处理非线性因子;但无法代替人推理实证,无法保证模型的可靠性。作为事例,本报告加入单因子分析,给出了进一步构建五因子模型的可能解决办法之一,通过五个因子打分形式,共同构建“成长40组合”,在2009年至2015年间,成长40组合年化收益率超过36%,而同期全A等权的年化收益不足14%。