基于Boosting算法优化BP神经网络量化选股研究

• 作 者: 周泉
• 出 处: 成都理工大学
• 发表日期: 2020年01期
• 关键词: 量化选股 机器学习 集成学习 神经网络

近年来,我国量化投资业正在迅速发展,越来越多投资者将目光锁定在量化投资领域,如量化择时与量化选股、高频套利交易等。量化投资本质上认为投资组合收益可以被分解到各类因子,通过量化、系统且精细地控制投资组合配置达到获取超额收益的目的。在面对高维度且复杂的金融数据时,神经网络因自身强大非线性映射能力、自学习能力被广泛应用在量化投资领域。但是随着神经网络算法在量化投资领域研究地深入,越来越多问题也在研究与建模中被暴露出来,如模型优化方式趋于单一化,神经网络算法对数据噪音敏感且易过拟合等问题,若是未针对神经网络选股模型的缺陷进行优化,则会造成投资者失利、决策失误等严重后果。因此,如何改善现有神经网络模型不足并进行模型优化,构建科学有效的量化选股模型,对投资者而言具有深远意义。基于以上分析,本文研究对象选为主板通用制造业145家相关上市公司,数据集样本总数共计181432条,样本区间为2014年1月至2019年12月,共选取38个相关财务指标和技术指标,按照相关性分析法剔除了10个与股票收益率呈弱相关的特征指标,并对样本数据集进行训练集、测试集的划分。在构建模型时,将量化选股问题转化成机器学习中模型分类问题,选取神经网络中应用最广泛的逆向神经网络模型(简称BP模型)为研究主体,构建BP模型后针对自身局限性,如收敛速度慢、对数据噪音敏感、易陷入局部最优解等,结合集成学习Boosting算法迭代训练错判样本的特点进行模型优化,构建出Boosting-BP模型后进行实证分析,得出以下结论:(1)BP模型存在着收敛慢、容易陷入局部最优解和对噪音敏感等局限性,但金融数据必然会夹杂着许多噪音,这会影响模型分类效果,考虑到Boosting算法通过构建多个基分类器将数据噪音进行分解,引入集成学习算法后Boosting-BP模型分类准确度得到了大幅度提升,可见Boosting算法对BP模型缺陷起到了一定程度优化作用。比较总收益和超额收益后发现,Boosting-BP模型的表现均优于BP模型,除此之外,在模型稳定性和风险控制方面,Boosting-BP模型也取得了不错的成绩,经过优化后的Boosting-BP模型选股表现优于BP模型。(2)本论文提供一套行之有效的模型构造方法并详细介绍了选股模型构建过程,包括样本选择和因子筛选、数据处理、模型搭建、参数优化、构建选股策略等步骤,为投资者提供了有效决策参考。(3)Boosting算法作为集成学习代表算法之一,与BP神经网络结合丰富了现有模型组合方式,为机器学习算法优化方式提供了新的研究思路。基于以上结论,本文认为Boosting-BP模型的相关研究具有如下重要意义,首先,集成学习算法在量化研究中应用较少,本文实证结果可以验证集成学习算法在量化选股中的有效性,为机器学习、集成学习、神经网络等技术应用于量化选股研究提供实践意义。其次,本论文提出了行之有效的模型构建方法,并详细介绍了模型构建过程,这为投资者提供了有效的决策参考。最终,本论文拓宽了现有模型组合与算法优化方式,为量化投资领域中模型优化方式提供创新思路。