用機器尋找Alphaxinhua.sun@目錄量化投資的基本概念什么是Alpha?機器學習在資產管理中應用SignalWeightingLasso/Ridge

Regression

vs.

OLSAdaBoost量化投資定性投資和量化投資在投資理念上沒有本質上的區別，只是投資方法不同定性投資：偏藝術深入研究少而精定量投資：偏科學發掘市場規律廣度用統計規律和數學模型來指導投資，本質是定性投資的數量化實踐對沖基金常用量化策略常用的量化策略收斂性套利市場中性Alpha事件驅動統計套利多空策略CTA風險+Alpha假設任何有價證券的超額收益都來自于以下模型:r=a+brb那么 ra=r–rb=a+brb-rb=a-(1-b)rb其中

a=主動收益的選股部分 (b-1)rb=主動收益的基準擇時部分Alpha的解釋Alpha(a)指的是投資回報中來自投資經理選股的一部分，而不是來自于基準表現Alpha也指“剩余收益”如果我們規定b=1,則禁止標的指數擇時，Alpha就是主動收益（傳統做多投資目標）如果將基準設定等于某一計價單位（例如：美元），那么alpha=主動回報=超額收益和投資經理資產配置（對沖基金投資目標）市場中性Alpha國內常用的市場中性策略做法：構建一個股票組合(多因子模型)放空一個指數（滬深300，中證500……）風險收益來源于股票組合相對于指數的表現，與指數本身的表現無關多因子模型A股市場由于散戶的參與量大，價格與價值往往偏差較大，因此A股市場非常適合運用多因子模型來挖掘股票投資的價值股票因子定價模型單個因子分析因子之間的優化依據國外學術界和業界多年研究發明的股票定價多因子模型已經在海外市場被廣泛應用并得到充分驗證A股市場非常適合運用多因子模型來挖掘股票投資價值以基本面為導向的估值因子以技術分析為導向的股票走勢技術因子以及其他風格因子綜合多維度因子：綜合考量單因子貢獻度，以及因子之間的相關性/互補性常見因子池基本面市凈率市盈率企業估值倍數企業負債率等等技術動量趨勢價格反轉流動性波動率等等其他風格規模成長分析師等等機器學習基于數據構建概率統計模型并運用模型對數據進行預測與分析的一門學科，也稱為統計機器學習機器學習在投資中的應用信息處理公告閱讀關聯關系主題發現情感分析策略研究事件研究動態多因子財富管理機器人理財資產配置機器學習&策略研究尋找新的因子探索新的數據源（特別是信噪比高的數據）因子配權Signal

Weighting固定權重經驗和主觀偏好穩定，對極端值不敏感抓不住短期風格變化動態多因子對于短期風格變化敏感對于極端值敏感SignalWeighting假設我們已經有了多個不同風格因子的集合，如何確定因子在模型中的權重（因子收益率）固定權重根據經驗Grinold(2010)OLS&Lasso&RidgeRegressionAdaBoostSVMRandomForest…OLS&Lasso&RidgeRegression

OLS的問題

RidgeRegression&Lasso

Model

selection

in

LassoLasso算出來的w很多項是0參數估計和選擇一并完成AdaBoost簡介監督學習、分類問題弱分類器比強分類器容易Boosting方法從弱學習算法出發，反復學習，得到一系列弱分類器，然后組合這些弱分類器，構成一個強分類器WhyAdaBoost模型機制與原理清晰模型參數少，參數敏感度低每一輪如何改變訓練數據的權值或概率分布如何將弱分類器組合成一個強分類器AdaBoost算法流程訓練樣本弱分類器權重調整強分類器因子數據標準化按收益率區分強勢弱勢股權重初始化為等權重計算因子區分度選擇區分度最優的因子降低分類正確的股票權重提高分類正確的股票權重合并所有的弱分類器示例來源：淺談AdaBoost算法細節處理

AdaBoost動態多因子算法流程風格可測性回測結果參考資料[1]李航.《統計學習方法》2012.3[2]興業證券