人工智能系列报告实证篇：人工智能算法在价量特征中的应用-20180525-东北证券-29页-1mb

人工智能算法在价量特征中的应用总结

核心内容

本报告探讨了人工智能算法在量化投资中对价量特征的利用，旨在通过机器学习模型挖掘多个价量指标信息，以获取比单一指标更好的预测效果。价量特征指标因其时效性强，常被市场参与者用于择时选股。研究选取了34个价量特征，涵盖价格类、动量类、成交量类和波动类指标，并采用36个月滚动训练调参的方式，对决策树、支持向量机、随机森林、AdaBoost、GBDT和XGBoost等模型进行历史数据回测和投资组合构建。

主要观点

• 机器学习算法在量化投资中具有良好的泛化能力，但其在实际应用中仍需解决可解释性问题。
• 价量指标相比基本面指标更适用于短期市场波动的预测。
• 多数研究集中在单个指标有效性检验或图形模式识别，而将多个价量指标合成单一指标的研究较少。
• 本文通过有效的数据挖掘方法，利用多个价量指标构建模型，以提高预测效果。

关键信息

数据与模型

• 回测样本：2007年1月至2018年3月的沪深全A股票数据，剔除ST股票和上市不满120个交易日的次新股。
• 数据标准化：采用最大最小值法，使数据分布集中于[0,1]区间。
• 模型：测试了决策树、支持向量机、随机森林、AdaBoost、GBDT和XGBoost等机器学习模型。

模型表现

• 决策树：IC均值为0.032，正显著比率为43.9%，负显著比率为21.4%。多空组合年化收益率为11.75%，夏普比率为0.79。
• 支持向量机：IC均值为0.051，正显著比率为52.1%，负显著比率为17.3%。多空组合年化收益率为16.05%，夏普比率为0.93。
• 随机森林：IC均值为0.056，正显著比率为59.2%，负显著比率为20.4%。多空组合年化收益率为7.11%，夏普比率为0.78。
• AdaBoost：IC均值为0.034，正显著比率为50%，负显著比率为20.4%。多空组合年化收益率为9.72%，夏普比率为0.83。
• GBDT：IC均值为0.037，正显著比率为45.9%，负显著比率为22.4%。多空组合年化收益率为10.98%，夏普比率为0.90。
• XGBoost：IC均值为0.049，正显著比率为55.1%，负显著比率为13.3%。多空组合年化收益率为12.11%，夏普比率为0.83。

模型比较

• 随机森林和Boosting算法（如AdaBoost、GBDT、XGBoost）表现较好，具有较好的分类预测效果。
• 决策树和支持向量机表现一般，分类效果不明显。
• 随机森林在多空组合中表现最佳，年化收益率为7.11%，夏普比率为0.78。
• XGBoost多空组合年化收益率最高，为12.11%，夏普比率为0.83。

未来展望

• 机器学习在量化投资中的应用仍需进一步研究，特别是在模型的可解释性和参数优化方面。
• 业界多将机器学习算法与多因子体系结合，以提高模型的稳定性和实用性。
• 参数优化、输入变量选取和预处理方法对模型输出结果有显著影响，未来可进一步研究如何提升模型的透明度和可解释性。

附录：价量特征指标计算公式

• ADOSC：基于价格和成交量计算的振荡指标。
• APO：价格振荡器，计算短周期和长周期移动平均的差值。
• AROONOSC：阿隆振荡，计算上升和下降指标的差值。
• Bollinger Bands：基于移动平均和波动率计算的上下轨指标。
• MFI：资金流量指标，结合典型价格和成交量计算。
• MACD：平滑异同移动平均线，计算短期和长期EMA的差值。
• RSI：相对强弱指数，衡量价格变动趋势。
• KDJ_K 和 KDJ_D：基于RSV计算的K值和D值。
• 其他指标：包括动量、波动率、成交量、价格重叠等，具体公式见报告附录。

结论

本报告通过实证分析，展示了机器学习模型在价量特征中的应用效果，随机森林和Boosting算法在分类预测方面表现更优，能够为量化投资提供一定的参考价值。然而，模型的可解释性仍需提升，以更好地应用于实际投资决策。