机器学习模型在因子选股上的比较分析
创建于 更新于
摘要
本报告基于156个股票因子，使用多类别逻辑回归、支持向量机、随机森林、XGBoost及深层神经网络5种机器学习模型，构建股票收益率预测模型并进行因子选股。研究对比了不同模型在日频和半月频样本训练模式下的预测准确率、训练时长及选股表现，发现DNN模型在日频样本下表现最佳，具有最高的IC值、年化收益和夏普比率；而在半月频样本训练中，XGBoost模型训练效率较高，表现最优。机器学习因子与传统风格因子相关性较低，DNN和XGBoost模型风格暴露最小，回撤较低，策略整体显著超额收益但模型表现高度相关，存在潜在策略失效风险。[page::0][page::4][page::29]
