基于机器学习的量化选股研究

近年来，量化投资凭借其精力无限、依靠概率取胜和纪律性强的优势受到越 来越多的关注。与西方成熟市场相比，我国量化投资还处于起步阶段，存在量化 投资产品规模小、策略缺乏多样性、业绩表现分化的不足。尽管如此，从我国实 情来看，量化投资仍会有很广阔的发展前景。因此，对于量化选股方法的理论及 实践进行研究，构建适合A股市场的选股策略，并以此指导投资者进行量化投资 有很重要的现实意义。 股票市场是一个低信噪比的、复杂的非线性系统,而机器学习在诸多领域如搜 索和语音识别中均被证明是针对模糊非线性数据进行建模的强有力工具，使用机 器学习方法来构建量化投资策略具有一定的天然优势。选股本质是一个排序问题， 投资者都希望能挑选出相对于其他股票在未来表现更好的股票，基于此，本文尝 试将机器学习领域中两种较为成熟的学习排序算法GBDT和GBRank应用到选股 问题中。本文以技术分析为理论根据，先后构建了基于模式识别的短线选股策略 和基于动量和反转效应的长线选股策略。前者根据个股在过去一个月内的价格走 势形态构来建特征向量，利用机器学习算法自动进行模式识别后者以不同时间 周期的动量、反转因子为基础构建特征向量，利