基于聚类分析的多因子动态加权实证检验

作     者：陈悦竹 

作者单位：山东大学 

学位级别：硕士

导师姓名：嵇少林

授予年度：2018年

学科分类：12[管理学] 02[经济学] 0202[经济学-应用经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020204[经济学-金融学（含∶保险学）] 

主      题：多因子模型 聚类分析 信息比率 

摘      要：多因子模型自其诞生之日已历经数十年的发展,目前依然是市场上主流的量化择股模型。2010年4月16日,我国沪深300股指期货上市交易。尽管现阶段股指期货仍存在保证金比例、交易手续费偏高等诸多限制,但也使通过因子择股获得超额收益成为了可能。近年来得益于学术理论的支持、交易环境的变化、计算机技术的发展、算法的更新迭代以及数据规模的爆炸式增长,以机器学习算法为代表的人工智能技术获得了越来越多的关注,包括利用神经网络、支持向量机、聚类分析、隐马尔可夫模型等机器学习模型进行数据分析并挑选股票。机器学习模型的引入会使我们发现一些从前没能发现的更为复杂的数据规律,提高数据利用效率。第一章是绪论部分,介绍量化投资和多因子模型的发展情况,以及本文的主要研究内容、结构安排和创新点。第二章主要介绍国内外研究现状,对多因子择股模型和聚类分析的理论基础进行分析,为后续的实证研究打下理论基础。第三章从因子的预测能力、因子收益和因子单调性三个方面对A股市场常见的估值类因子、成长类因子、营收类因子、质量类因子、技术面因子等97个因子进行单因子检验,筛选出有效因子69个,并基于传统多因子择股方法构建等权组合,作为后续组合的比较基准。第四章针对有效因子,结合因子信息系数之间的相关性,对因子进行聚类分析,构建组合;计算因子信息比,并根据信息比对因子进行动态加权,构建组合;对比分析多因子等权、多因子加权、多因子聚类等权、多因子聚类加权四种择股方法的回测结果,结果表明,在相同因子分类下,因子信息比率加权的组合收益明显高于等权组合;在相同加权方式下,采用聚类分析对因子进行分类的组合收益高于传统组合。对因子进行聚类分析能够通过跟踪因子信息系数的变化跟踪市场风格变化,基于因子信息比率对因子加权能够区分出当期因子的择股能力,进而增厚组合收益。本文在多因子模型的基础上,将聚类分析和因子加权结合在一起,提高了数据的利用率,优化组合表现。机器学习模型的应用是未来量化投资的趋势之一,聚类分析作为一种常见的无监督机器学习模型,将其引入多因子择股模型为机器学习与多因子模型的结合提供了思路,具有一定借鉴意义。