基于PCANet的价值成长多因子选股模型

摘要：

作为量化投资程序中的重要组成部分,量化多因子选股模型是通过历史金融数据建模来预测股票收益,该模型中引入了包括深度学习在内的众多机器学习方法.文中则首次探究了PCANet这样一种深度架构在量化选股中的应用.具体来说,该框架一方面将金融时序数据转换为二维图像数据,从而将金融时间序列预测问题转变为图像分类问题;另一方面将PCA应用于深度架构,充分发挥其能力,同时提供了金融行业可以理解和反馈的可解释性.两年的实际数据回测表明,该方法获得了57.17％的夏普比率、16.84％的超额收益以及-18.14％的最大回撤.相比传统的线性回归模型和深度学习的CNN模型,所提基于PCANet的价值成长多因子选股模型获得了更高的超额收益和夏普比率,同时保持了继承于PCA的特征提取的解释性.

关键词：PCANet、多因子选股、超额收益、夏普比率、因子图

所属期刊栏目：47

分类号：F830.91(金融、银行)

资助基金：中央财经大学科研创新团队支持计划;教育部人文社会科学重点研究基地重大项目

在线出版日期：2020-12-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：64-67