基于模型池的机器学习量化选股策略——德邦金工机器学习专题之五
创建于 更新于
摘要
本报告提出了一种基于动态因子和机器学习模型池的量化选股方法，通过LGBM模型加速因子筛选，维护多个不同训练时间段的机器学习模型，不断利用验证集对模型进行筛选并构建集成模型，实现有效捕捉市场风格与因子轮动。研究发现，长记忆模型池优于短记忆池，每三个月训练新模型效果最佳，机器学习复合因子在全市场和中证1000中表现优异，月度选股提高了策略的细粒度，回测结果显示该策略具备良好的超额收益和稳定性 [page::0][page::7][page::9][page::13][page::14][page::16][page::17]
