20180525-东北证券-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_29页_1mb

报告摘要

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运用，旨在通过多指标数据挖掘提升选股和择时效果。研究选取了34个价量特征，包括价格重叠类、动量类、成交量类和波动类，用于训练和测试决策树、支持向量机、随机森林、AdaBoost、GBDT和XGBoost等机器学习模型。通过36个月滚动训练和调参，模型预测未来一个月股票涨跌类别，并构建投资组合进行实证检验。

主要观点

价量特征的优势：价量特征相比基本面指标具有更好的时效性，常用于市场择时和短期波动预测。
机器学习模型的选择：随机森林和Boosting算法（如AdaBoost、GBDT、XGBoost）在分类预测上表现优于决策树和支持向量机。
模型效果评估：不同模型在回测期间表现各异，随机森林和Boosting算法的多空组合年化收益率和夏普比率表现较好。
参数调优与数据处理：模型采用滑动窗口法进行训练和测试，确保数据的时效性。数据标准化采用最大最小值法，使数据分布集中在[0,1]区间。
模型可解释性：当前机器学习在量化投资中的应用，缺乏足够的可解释性，需进一步研究以提高透明度。

关键信息

模型表现概览

模型	年化收益率（多头）	夏普比率（多头）	多空组合年化收益率	多空组合夏普比率
决策树	14.0%	0.33	7.1%	0.79
支持向量机	11.2%	0.34	16.1%	0.93
随机森林	14.0%	0.44	12.1%	0.93
AdaBoost	13.6%	0.33	9.72%	0.83
GBDT	13.5%	0.35	11.0%	0.90
XGBoost	12.9%	0.42	12.1%	0.93

分组收益与风险指标（以多空组合为例）

指标	决策树	支持向量机	随机森林	AdaBoost	GBDT	XGBoost
年化收益率	11.75%	16.05%	7.11%	9.72%	10.98%	12.11%
年化波动率	14.87%	17.29%	12.27%	11.70%	14.58%	14.58%
最大回撤	-28.90%	-41.56%	-16.96%	-16.21%	-16.96%	-25.75%
夏普比率	0.79	0.93	0.78	0.83	0.90	0.83
Calmar比率	0.41	0.40	0.65	0.60	0.65	0.47

实证方法

数据样本：采用沪深全A股票，剔除ST股票和上市不满120个交易日的次新股。
数据标准化：使用最大最小值法对数据进行标准化，以减少模型训练误差。
模型训练：采用36个月滚动窗口进行模型训练和调参，每月初使用前36个月数据训练模型，月末测试模型效果。
模型调参：采用网格调参法和交叉验证，选取最优参数进行模型拟合。
投资组合构建：将股票按预测概率分为10组，组内等权配置，计算分组收益率、夏普比率等指标。

未来展望

尽管随机森林和Boosting算法在本研究中表现出较好的分类预测效果，但机器学习在量化投资中的应用仍需进一步优化。目前，业界多将机器学习算法与多因子体系结合，但模型参数优化和因子筛选仍是研究重点。此外，如何提高模型的可解释性，使其更加透明，是未来研究的重要方向。

附录：价量特征指标计算公式

ADOSC: $ADOSC = fastperiodAD - slowperiodAD$
APO: $APO = SlowMA(price) - FastMA(price)$
AROONOSC: $AROONOSC = AroonUp - AroonDown$
ATR: $ATR = \frac{TR[-1] \times (n - 1) + TR}{n}$
Bollinger Bands: $UpperBand = MidBand + F \times \sigma_{TP}$, $LowerBand = MidBand - F \times \sigma_{TP}$
MFI: $MoneyFlowIndex = 100 - \left(\frac{100}{1 + MoneyRatio}\right)$
KDJ_K: $K = \frac{2}{3} \times K[-1] + \frac{1}{3} \times RSV$
KDJ_D: $D = \frac{2}{3} \times D[-1] + \frac{1}{3} \times K$
EMA: $EMA = K \times input + (1 - K) \times EMA[-1]$
MACD: $MACD = shortema - longema$
RSI: 计算方法基于价格变动和平均价格波动
其他指标：包括动量、趋势、波动率等，具体计算公式详见报告附录。