利用机器学习捕捉因子的金融工程中非线性效应
创建于 更新于
摘要
本报告基于A股市场十个风格因子数据，应用神经网络、提升树和随机森林三种机器学习模型拟合线性回归残差，挖掘因子与收益的非线性关系。通过集成多模型输出实现信号增强和噪音抑制，构建机器学习因子及机器学习残差因子，后者剔除风格因子线性影响表现稳定alpha，具有显著的选股能力和良好风险收益特征。机器学习因子显示因子交互效应显著，且因子重要性以流动性和非线性市值最为突出。回测结果表明，机器学习残差因子在全样本内均表现出正超额收益，且该因子独立于传统风格因子，为多因子选股提供增量信息[page::0][page::3][page::6][page::9][page::12][page::14][page::16]
