机器学习应用于股票资产的趋势预测-长江证券-20170419
由qxiao创建，最终由qxiao 被浏览 86 用户
摘要
大类资产配置系统简介
资产配置按照配置目标、配置周期、收益预期及风险偏好等可以分为超长期资产配置、战略性资产配置、战术性资产配置、动态资产配置和保底资产配置。每一种配置系统之下，各类资产走势的影响因素都不尽相同，目前国内市场较为关注的是配置周期相对较短的战术性资产配置和动态资产配置
三种机器学习方法应于股票类资产的趋势判断
进行大类资产配置时对每一种类别的资产的分析十分重要，本篇主要是针对股票类资产进行分析，使用logistic模型、人工神经网络模型及支持向量机三种模型对股票类资产短期走势进行预测。选取不同的输入指标、训练期等进行预测和比较，对于沪深300的月度走势预测准确度最高达到65%，最佳配适模型是训练期为36个月的logistic模型
股票走势多分类下模型的预测效果
使用机器学习模型还有一个优势就是可以将股票走势按照涨跌的幅度划分为更细致的类型，分别对划分成4类（大幅上涨、小幅上涨、大幅下跌、小幅下跌）和六类（幅度分得更细）两种情况下的样本进行预测。四分类下预测准确度最好的模型仍然是训练期为36个月的logistic模型，胜率为64%，并且获取了比二分类下更高的超额收益率。六分类的预测效果不佳，主要原因是分成六类之后每一类别下的样本数量过
趋势判断结果运用于其他常见股票指数
将前面对沪深300的预测结果用于中证500和中证1000，在四分类下对中证500和中证1000预测的超额收益率分别为19.4%和19.18%。简单的通过三种指数等权的方式对加入趋势判断后的效果进行测算，夏普比率及Calmar比率都有了显著性的提高，说明在进行趋势判断后再采取不同风格轮动方式，可以起到很好的提高收益平滑波动的作
正文
/wiki/static/upload/cd/cd8ae637-ab89-4a16-b89e-e337c0affa31.pdf
\