Исследование по количественному инвестированию, основанному на машинном обучении

В этом репозитории содержатся коды и данные для статьи «Исследование по количественному инвестированию, основанному на машинном обучении», опубликованной в китайском журнале.

Авторы: Бин Ли, Синьюэ Шао и Юэян Ли. 2019. «Исследование по количественному инвестированию, основанному на машинном обучении». China Industrial Economics, (08): 61-79.

Аннотация: Количественное инвестирование, основанное на фундаментальном анализе — это новая актуальная тема в области финансовых технологий и количественных инвестиций. Как представитель техники искусственного интеллекта, машинное обучение может значительно улучшить результаты исследований в области прогнозирования в экономике и управлении. В этой статье исследуется применение машинного обучения в количественном инвестировании, основанном на фундаментальном анализе. На основе 96 аномальных факторов на китайских рынках с января 1997 года по октябрь 2018 года мы используем регрессию LASSO, регрессию Риджа, Elastic Net, частичный наименьший квадрат, прогнозную комбинацию, машину опорных векторов, дерево градиентного усиления, экстремальное дерево градиентного усиления, ансамблевую нейронную сеть, глубокую сеть прямого распространения, рекуррентную нейронную сеть и сеть с долгой краткосрочной памятью для построения модели прогнозирования доходности акций и создания портфелей. Эмпирические данные показывают, что алгоритмы машинного обучения могут эффективно идентифицировать сложные паттерны между аномальными факторами и избыточной доходностью, а инвестиционная стратегия может обеспечить лучшую производительность, чем традиционная линейная модель и все факторы. Портфели с длинными и короткими позициями, основанные на прогнозе глубокой сети прямого распространения, могут получать ежемесячную доходность в размере 2,78%. Мы также оцениваем важность факторов в модели прогнозирования и обнаруживаем, что факторы торговых трений демонстрируют лучшую прогностическую способность на китайских фондовых рынках. Модели количественного инвестирования, управляемые глубокой сетью прямого распространения и работающие на выбранном наборе признаков, обеспечивают наилучшую производительность в размере 3,41% в месяц. Это исследование представляет методы машинного обучения для исследования количественного инвестирования на основе фундаментального анализа, что будет способствовать совместным исследованиям в области искусственного интеллекта, машинного обучения, экономики и управления и, наконец, усилит национальную стратегию искусственного интеллекта.

Ключевые слова: количественное инвестирование на основе фундаментального анализа; машинное обучение; аномальные факторы рынка; глубокое обучение.

Классификация JEL: C8, G0, 011.