解環(huán)宇-量化投資與統(tǒng)計學習

淺談多因子選股模型與機器學習算法2017風險模型01投資組合管理方式主動管理被動管理投資組合管理定性管理定量管理定性管理依賴于投資經(jīng)理對于市場和個股的定性判斷定量管理根據(jù)能夠得到的公開數(shù)據(jù)，基于數(shù)學和統(tǒng)計的方法，建立統(tǒng)一的定量模型對股票進行區(qū)分并依此進行投資決策多因子模型來源多因子模型由APT套利定價模型——ArbitragePricingTheory發(fā)展而來，定量刻畫了股票預期收益率與股票在每個因子上的因子載荷與因子收益率之間的線性關(guān)系。一般表達式為：

組合的收益投資組合P的收益可以分解為m個因子收益的線性組合如果對模型中某因子暴露度為1，對其他風險因子暴露度為0，則稱該組合為這個因子的純因子組合。假設(shè)因子m對應的純因子組合的權(quán)重為，該組合對各個因子的暴露為,純因子組合的收益為對于充分分散的組合，因子收益就是因子m對應的純因子組合的收益。這是將稱作是“收益”的原因。純因子組合的線性組合——風險與收益的匹配純因子組合的線性組合可以構(gòu)造出對每個因子具有指定暴露度的組合。希望構(gòu)建一個組合，使組合對規(guī)模因子（size）暴露為0，對E/P因子暴露為0，其他因子無要求，則可先由兩因素模型解出純因子組合的個股權(quán)重和，滿足要求的投資組合權(quán)重為：0.3純因子組合可將各種風險收益精確的切割開來，求解出純因子組合中的個股權(quán)重，就能精確控制組合對因子的暴露度，使組合只對希望暴露的風險因子暴露，從而讓風險和收益匹配。因子暴露度因子暴露度是通過將因子值正態(tài)標準化得到:這樣的標準化方式可以使以流通市值為權(quán)重的投資組合（基準組合）對所有風格因子0暴露，非零的因子暴露度就是投資組合偏離了基準組合多少倍標準差。基準組合的收益就是截距項，因為基準組合的收益為：風險模型的作用歷史回測和數(shù)據(jù)挖掘

事后分解和評價取得的收益

歷史回測和數(shù)據(jù)挖掘

歷史回測和數(shù)據(jù)挖掘

通過對純因子組合的收益考找到合適的因子

NO降維:從對個股的預測減小到對因子的預測

對純因子組合的收益考察找到合適的因子

風險模型能預測未來的股票收益嗎？風險模型的功能多因子模型風險分解估值因子ValueFactor成長因子GrowthFactor財務質(zhì)量因子FinancialQualityFactor杠桿因子LeverageFactor規(guī)模因子SizeFactor動量因子MomentumFactor波動率因子VolatilityFactor換手率因子TurnoverFactor技術(shù)因子TechnicalFactor改進的動量因子ModifiedMomentumFactor分析師情緒因子SentimentFactor股東因子ShareholderFactor市場風險風格風險整體風險行業(yè)風險1.數(shù)

據(jù)數(shù)據(jù)清洗數(shù)據(jù)挖掘模式識別4.交易執(zhí)行模型組合、應用評測標準：年化收益、夏普率、收益風險比組合模型：收益提高、回撤減小、績效曲線平滑策略開發(fā)交易全流程CTA模型擇時模型資金管理模型成本控制模型風險計算模型下單執(zhí)行模型1.理論2.策略模型阿爾法模型3.組合盤模型量化評測體系+資金管理組合回測

驗證反復修改結(jié)合實戰(zhàn)統(tǒng)計學習算法02機器學習算法分類回歸線性回歸嶺回歸Lasso回歸支持向量機決策樹隨機森林梯度樹提升神經(jīng)網(wǎng)絡(luò)深度學習分類邏輯回歸線性判別分析二次判別分析支持向量機決策樹隨機森林神經(jīng)網(wǎng)絡(luò)深度學習K最近鄰算法降維偏最小二乘法監(jiān)督學習聚類K均值聚類分層聚類譜聚類流形學習降維主成分分析多維尺度分析獨立成分分析流形學習無監(jiān)督學習Lasso回歸線性回歸使用最小二乘法得到系數(shù)w，但最小二乘法不對模型系數(shù)w作任何的先驗假定。事實上，w不可能取極大的正數(shù)或極小的負數(shù)；并且，在特征較多的情形下，很可能只有少數(shù)的幾個特征具有預測效力。因此引入正則化（regularization）的重要思想，在最小二乘法損失函數(shù)的后面加入懲罰項Rpackage:glmnet當懲罰項為系數(shù)w的絕對值之和時，這種回歸方法稱為Lasso回歸（又稱為L1正則化），損失函數(shù)為：決策樹決策樹是一個預測模型，代表的是對象屬性與對象值之間的一種映射關(guān)系。樹中每個節(jié)點包含一個規(guī)則，根據(jù)規(guī)則來進行分裂，使得節(jié)點分裂后的信息增益最大。樹的各分支互相排斥，并覆蓋整個空間。葉子節(jié)點是最終分類結(jié)果。決策樹提升梯度提升決策樹是將弱分類器以串行的方式組合以原始數(shù)據(jù)為訓練集，訓練一個弱分類器C1，對于分類錯誤的樣本，提高權(quán)重。以更新樣本權(quán)值后的數(shù)據(jù)為訓練集，再次訓練一個弱分類器C2，隨后重復上述過程。每次自適應地改變樣本權(quán)重將全部弱分類器按一定權(quán)值進行組合得到強分類器，錯誤率越低的弱分類器所占權(quán)重越高Rpackage:xgboost公司介紹專注于量化對沖投資領(lǐng)域的投資管理公司；具有中國證券基金業(yè)協(xié)會批準的私募證券投資基金管理人資格（編號：P1004150）；投資范圍涵蓋股票、債券、期貨（股指期貨和商品期貨）、期權(quán)等；公司擁有經(jīng)驗豐富的金融產(chǎn)品管理團隊，核心成員均有著資深的國內(nèi)外資產(chǎn)管理和量