技术因子的智能择股研究：利用机器学习技术建立智能策略分析框架

HTTP://WWW.LONGONE.COM.CN 市场有风险，投资需谨慎 [table_page] 金融工程专题报告 [table_subject] 2020 年 11 月 20 日 证券研究报告—金融工程专题报告 技术因子的智能择股研究 利用机器学习技术建立智能策略分析框架 [table_date] 分析日期 2020 年 11 月 16 日 [table_research] 证券分析师： 丁竞渊 执业证书编号： S0630516080001 电话： 021-20333723 邮箱： djy@longone.com.cn [table_product] [table_main] 东海策略研究类模板 ◎摘要： 技术分析方法具有悠久的发展历史，并在投资实践中被广泛采用。然而，许多基于技术分析方法的交易策略仍然依赖形态分析和主观判断，这在拥有数千只个股的 A 股市场显得效率低下。近年来，人工智能技术得到了快速发展，以 scikit-learn 为代表的机器学习工具大幅降低了智能技术的应用门槛。在本文所涉及的研究中，我们选择了常用的技术分析指标作为因子，通过训练机器学习模型实现对个股未来表现的预测目标。从模型训练结果来看，机器学习模型对于未来 5 到 10 个交易日的表现具有较好的预测效果，据此构建的投资组合有望获得较好的收益。但随着预测周期延长至 20 到 60 个交易日，预测准确度和相关投资组合收益水平显著下降。根据本文研究结果，我们认为在特定条件下，机器学习模型可以实现对个股未来表现的有效区分，可以用作选股策略的初步筛选器。同时我们还认为，要改进机器学习模型的预测准确度，关键在于进一步寻找区分效果明显的技术因子，以改善机器学习模型的训练数据质量。 相关研究报告 HTTP://WWW.LONGONE.COM.CN 市场有风险，投资需谨慎 [table_page] 金融工程专题报告 正文目录 1. 研究出发点与思路 .................................................................................................................................................. 5 2. 样本数据的基本情况 ............................................................................................................................................... 5 2.1. 通道突破指标 ....................................................................................................................................................... 6 2.2. 均线系统 .............................................................................................................................................................. 7 2.3. MACD 指标 ............................................................................................................................................................ 8 2.4. 其他指标 .............................................................................................................................................................. 8 3. 模型训练框架 ....................................................................................................................................................... 12 3.1. 转换为分类问题 ................................................................................................................................................. 12 3.2. 模型训练方案 ..................................................................................................................................................... 12 4. 模型训练结果评估 ................................................................................................................................................ 14 4.1. 交叉验证评分 .........................................................................