论文摘要
多因子模型一直是量化投资领域的重要方法,而如何选择有效因子并确定因子权重从而构建有效的投资组合是研究者重点讨论的议题。以每只股票收益率作为分类标准,引入深度森林算法筛选股票,利用沪深300成分股进行选股回测,选取预测收益率大于0的概率排名靠前的30只股票进行实证分析。研究结果表明,深度森林算法比随机森林算法具有更高的超额收益,且具有更低的回撤率,该模型对量化投资策略的设计具有重要的实际意义。
论文目录
文章来源
类型: 期刊论文
作者: 王伦
关键词: 深度森林,量化选股,多因子分析
来源: 经济研究导刊 2019年27期
年度: 2019
分类: 经济与管理科学,基础科学
专业: 数学,宏观经济管理与可持续发展,金融,证券,投资
单位: 上海工程技术大学
基金: 上海工程技术大学研究生科研创新项目(E3-0903-18-01114)
分类号: F832.51;F224
页码: 78-79
总页数: 2
文件大小: 58K
下载量: 160
相关论文文献
- [1].技术指标选股[J]. 股市动态分析 2016(47)
- [2].技术指标选股[J]. 股市动态分析 2016(46)
- [3].技术指标选股[J]. 股市动态分析 2016(49)
- [4].技术指标选股[J]. 股市动态分析 2016(50)
- [5].技术指标选股[J]. 股市动态分析 2016(48)
- [6].技术指标选股[J]. 股市动态分析 2017(02)
- [7].技术指标选股[J]. 股市动态分析 2017(07)
- [8].技术指标选股[J]. 股市动态分析 2017(05)
- [9].技术指标选股[J]. 股市动态分析 2017(Z1)
- [10].浅议量化选股与定性选股[J]. 时代金融 2017(06)
- [11].技术指标选股[J]. 股市动态分析 2016(45)
- [12].技术指标选股[J]. 股市动态分析 2017(08)
- [13].技术指标选股[J]. 股市动态分析 2017(11)
- [14].技术指标选股[J]. 股市动态分析 2017(01)
- [15].技术指标选股[J]. 股市动态分析 2017(12)
- [16].技术指标选股[J]. 股市动态分析 2017(15)
- [17].技术指标选股[J]. 股市动态分析 2017(13)
- [18].技术指标选股[J]. 股市动态分析 2017(09)
- [19].技术指标选股[J]. 股市动态分析 2017(14)
- [20].智能选股与人工量化操作结合研究[J]. 中国新通信 2017(07)
- [21].技术指标选股[J]. 股市动态分析 2017(17)
- [22].技术指标选股[J]. 股市动态分析 2017(20)
- [23].技术指标选股[J]. 股市动态分析 2017(24)
- [24].技术指标选股[J]. 股市动态分析 2017(22)
- [25].技术指标选股[J]. 股市动态分析 2017(23)
- [26].技术指标选股[J]. 股市动态分析 2017(21)
- [27].技术指标选股[J]. 股市动态分析 2017(27)
- [28].技术指标选股[J]. 股市动态分析 2017(28)
- [29].技术指标选股[J]. 股市动态分析 2017(29)
- [30].技术指标选股[J]. 股市动态分析 2017(26)