股票因子个性化，基于股票嵌入的因子优化.pdf

正文目录 1 引言 4 2 研究背景 6 2.1 技术面分析6 2.2 技术因子6 2.3 构建基于因子的投资组合7 2.4 因子有效性评价指标7 3 股票嵌入特征 7 3.1 基金经理的历史投资组合8 3.2 构造二分图9 3.3 通过基金-股票二分图学习股票嵌入特征9 4 技术交易因子优化模型 10 4.1 模型设计 10 4.2 用于因子优化的缩放模型 10 4.3 滚动学习机制 11 5 实验 11 5.1 实验设置 11 5.2 实验结果 12 6 相关研究 17 7 结论 17 风险提示： 18 2 / 19 图表目录 图表1 两只特定股票的价格和30 天内乖离率因子的时间序列数据5 图表2 一套普遍的技术因子及相应的计算公式7 图表3 基金经理历史投资组合的通用数据图8 图表4 滚动学习算法 11 图表5 不同年份采用不同优化方法的因子的平均RANK IC 13 图表6 不同因子驱动的投资策略在不同年份产生的累计回报 14 图表7 在BIAS、MACD 和ROC 上获得最大和最小原始缩放权重的前5 只股票 15 图表8 经过T-SNE 降维的最大和最小缩放权重股票的EMBEDDING 16 3 / 19 pOpMrRtPpPqOrQrNwOrPsN6MaO9PoMrRoMmPlOpPtNeRoPqN8OpOqPvPrRrMxNtOpO 1 引言 技术面分析(Charles(2006)，Christopher 等人(1997)，Paul 等人(1997))作为量 化投资的基本方法之一，侧重于从价格和成交量的角度解释和预测股票走势。技术 面分析的核心假设在于，投资决策的所有相关信息都反映在价格和成交量的变化中。 因此，价格和成交量数据构成了足够的信息，可以为各种任务做出各种决策，包括 市场趋势预测、选股和投资组合管理。 在真正的量化投资中，技术面分析主要用于选择未来回报率较高的股票。特别 是，为了应对金融市场的噪声和波动性，已有许多成果基于价格和成交量开发技术 交易因子，用来提供可靠的交易信号(Chalothon 等人(2012) ，Abeyratna 和 David(2001)，Massoud 等人(2012) ，Christopher 等人(2011)) ，这类似于机器学习 方法中的特征工程。更具体地说，通用技术交易因子通常是基于对每只股票的原始 价格和成交量数据的一致性数学变换而生成的。在现实世界中，人类专家根据他们 在金融市场的领域知识总结了各种鲁棒的技术交易因子。作为特征工程中人工生成 的特征，各种技术因子基本上代表了不同方面的价格和成交量，并从稳健和全面的 角度评估了股票的走势。例如，平滑价格序列并丢弃一些随机性的移动平均因子，