人工智能系列报告实证篇：人工智能算法在价量特征中的应用
创建于 更新于
摘要
本报告基于沪深全A股2007年至2018年历史数据，选取34个价量特征指标，采用决策树、支持向量机、随机森林、AdaBoost、GBDT、XGBoost等机器学习模型进行回测和量化选股实证。结果显示，随机森林和Boosting系列算法（包括AdaBoost、GBDT、XGBoost）在分类预测中表现更优，年化收益达13%-14%，夏普比率稳定在0.42-0.44，多空组合年化收益率在7.11%-12.11%之间。报告详述了模型训练流程、调参方法及样本滑动窗口应用，并对模型表现进行了分组收益率及风险指标分析，揭示机器学习与价量特征在量化择时中的应用潜力[page::0][page::2][page::4][page::20]。
