20181116-中邮证券-基于机器学习的量化投资策略——系列三_Logistics_regression的探索_8页_853kb

报告摘要

本报告探讨了逻辑回归（Logistic Regression）在股票市场中的应用。逻辑回归是一种监督学习算法，主要用于二分类问题，通过引入Sigmoid函数将线性回归的输出转化为0到1之间的概率值，从而实现对样本的分类预测。

逻辑回归的定义与原理
逻辑回归是基于线性回归的分类模型，通过Sigmoid函数将线性回归的输出值映射到[0,1]区间，代表样本属于某一类别的概率。其本质是通过最大化似然函数来求解最佳分类参数。
逻辑回归的数学表达
- Sigmoid函数：$ g(z) = \frac{1}{1 + e^{-z}} $
- 预测函数：$ y = \frac{1}{1 + e^{-(\omega^T x + b)}} $
- 对数几率：$ \ln \frac{y}{1 - y} = \omega^T x + b $
参数求解方法
采用梯度上升法对逻辑回归模型的参数进行优化，公式为：
$$
\omega_{j + 1} = \omega_{j} + \alpha \sum_{i = 1}^{m} (y^i - h_{\omega}(x^i)) x_j^i
$$
其中，$\alpha$ 为学习率，$h_{\omega}(x)$ 为预测概率。
应用与回测结果
在股票市场中，逻辑回归被用于基于T-1至T-60日的因子值（如PB、PE、RSI等）预测未来10个交易日的涨跌情况。回测标的为沪深300成分股，回测区间为2017-01-01至2018-11-01，结果显示：
- 策略年化收益：2.9%
- 基准年化收益：-2.3%
- α：5.5%
- Sharpe Ratio：-0.02
- 最大回撤：32.7%
从结果可以看出，该策略在收益上略优于基准，但在风险调整后表现较弱，最大回撤较高，表明其在控制回撤方面仍有优化空间。
策略优化方向
逻辑回归可以与多因子模型结合，进一步挖掘有效因子，剔除无关因子，以提高预测精度和策略稳定性。