量化研究每周精选-20171109

量化研究每周精选
标签: #<Tag:0x00007fcf6c733c80>

(iQuant) #1

导语:本周选择J.P. Morgan关于使用机器学习进行股票策略开发的最新文章进行深入分析。文章概要描述如何使用机器学习算法,结合盈利能力分析和新闻情绪分析评估出股票的“公允价值”,然后买入(卖出)被低估(高估)价值的股票。这是J.P. Morgan继推出研究报告"Big Data and AI Strategies"后,推出的一篇有关机器学习进行价值投资的深度研究报告,非常值得一读。BigQuant拥有海量的数据和主流开源AI框架,赋能每一位爱好机器学习/深度学习和量化交易的人。


《基于机器学习的价值投资策略》

原文:《Value Strategies based on Machine Learning》
相关文章链接
相关文章下载

关键词:价值投资,机器学习 ,盈利,情绪分析

与常规算法预测目标不同,本文选择股票“公允价值”作为预测目标。作者选择37个股票特征作为输入数据,使用由惩罚回归(LASSO),梯度提升(XGBoost)和线性回归3个模型组成的组合模型,以MSCI国家指数中股票为投资标的,预测股票下个月的“公允价值”——市净率。以预测市净率与当前市净率之差作为“错误定价”的判断依据。在此基础上,然后根据股票盈利能力(以毛利润与资产之比GP/A作为衡量标准)和新闻情绪(以RavenPack公司分析结果-情绪"Sentiment"数值作为衡量标准)依次进行筛选,最终构建多头组合和空头组合。文章末展示了以发达国家股票作为回测标的的策略结果,效果良好。

文章主要结论

本文相对于之前策略研究报告颇有新意,主要研究发现如下:

  1. 单独使用线性模型,LASSO和XGBoost模型时,XGBoost效果最好。但组合模型效果优于单独使用某种模型。

  2. 选取毛利润(Gross Profit)而不是净资产收益率(ROE)作为盈利能力衡量标准对股票进行筛选,且前者对组合优化效果优于后者。

  3. 利用新闻情绪数据构造策略信号,对股票进行筛选,优化组合。

文章主要结构

  1. 价值投资:重新实现有效利用
     
    “价值投资”策略,从2010年以来,包括市净率(P/B)在内的众多价值因子预测能力较弱,多因子策略表现也差强人意。本文将利用机器学习算法,重新实现价值投资策略的有效利用。

  2. 机器学习:发现“错误定价”信号
     
    本文选取市净率(P/B)作为股票公允价格衡量标准,以MSCI 国家指数中股票为投资标的,选取37个股票特征帮助预测。“错误定价”信号为预测下月市净率与当前市净率之差。交易策略为:买入信号为正(低估值)的股票,卖出信号为负(高估值)的股票。作者详细介绍LASSO模型,XGBoost模型和线性模型(使用最重要的7个特征)的构造方法和结果,结果表明:将3个模型组合起来输出“错误定价”信号对组合优化效果最好。

  3. 盈利能力:避免价值陷阱
     
    在“错误定价”信号基础上,本文考虑股票市净率反转的可能性:以盈利能力作为主要考虑因素。经过文献调研,作者提出使用毛利润与资产之比(Gross-Profit-to-Assets,GP/A)而不是净资产收益率(ROE)作为衡量盈利能力的标准。作者计算比较分别采用GP/A, ROE, P/B, GP/A+P/B, ROE+P/B作为筛选标准的策略优化效果,最终结果显示GP/A+P/B对策略的优化效果最好。筛选机制为:在需买入的低估值股票中,保留前40%GP/A的股票;在需卖出的高估值股票中,保留后40%GP/A的股票。

  4. 新闻情绪:不要和潮流逆向而行
     
    本文选择RavenPack新闻情绪数据作为交易策略的补充,建立情绪型号: 选取时间相关性(“Relevance”)数值在70以上的事件,求取月份情绪值。通过计算不同情绪值阈值对组合效果进行验证,确定交易策略为:移除买入组合中情绪值小于-0.3的股票,移除卖出组合中情绪大于0.3的股票。

结束语

作者对发达国家特别是欧洲地区国家股票作策略回测,策略效果良好。

本文是一篇非常好的机器学习策略研究报告,无论是采用“公允价值”作为预测目标,选取GP/A作为盈利能力的衡量,交易策略的层层推进、筛选和优化,逻辑严密的计算验证,都对读者有极大的启发。本文虽然篇幅较长,但层次分明,逻辑清晰,值得仔细阅读、研究和学习。


量化研究每周精选》每周一期,为大家提精选研报、前沿研究、热门文章等优质内容。
查看所有 量化研究每周精选。欢迎投稿 (i@bigquant.com)。