机器学习以其非线性的数据拟合优势,在模型的预测精度中相比传统线性模型具有更低的预测误差,因此利用机器学习方法可以更好地捕捉各个特征对于市场波动的影响,为股票市场研究提供更精确的方案。本文精选了三篇机器学习对股票预测能力研究的海外文献,与各位投资者一同学习。
文献来源:Leippold M, Wang Q, Zhou W. Machine learning in the Chinese stock market[J]. Journal of Financial Economics, 2022, 145(2): 64-82.
推荐原因:中国股市具有散户投资主导、政府干预、卖空严格受限等一系列特殊特征。为了更好的解释中国股市的特殊性,在与实证资产定价研究相结合后,本文构建了一系列复杂且特有的因子,研究了多种机器学习模型对中国股市的预测能力。研究表明:(1)流动性因子在各种机器学习模型中都发挥着重要作用(促使作者密切关注交易成本的影响),价格动量因子只发挥了次要作用。(2)短期看,散户投资者的短线交易产生了很好的可预测性(小盘股尤为突出);长期看,由于政府信号在中国市场扮演着重要的角色,国有企业的可预测性大幅提高(大盘股表现明显)。(3)在存在交易成本的假设下,只做多策略的表现仍然具有经济意义。总之,本文表明机器学习方法可以(甚至更)成功地应用于与美国市场特征完全不同的市场。
文献来源:Drobetz W, Hollstein F, Otto T, et al. Estimating Security Betas via Machine Learning[J]. Available at SSRN 3933048, 2021.
推荐原因:在进行资本配置决策和投资组合风险管理时,Beta的时变性给投资者带来了很大的困扰。为了更准确的找到对未来Beta的估计,本文比较了基于机器学习模型(线性回归、树模型和神经网络)的Beta预测结果与基于传统模型(滚动预测、收缩预测、投资组合预测和长记忆预测模型)的Beta预测结果。与Gu等人(2020)一致,本文使用了加性预测误差模型和81个预测因子,遵循十年滚动的时间序列交叉验证方法。研究表明:(1)从经济和统计角度来看,机器学习模型的预测性能均优于传统模型,产生的均方误差(MSE)最小,其中随机森林表现最为突出,梯度提升树和神经网络次之。(2)机器学习模型在几乎所有类型的股票上表现都很优异(小盘股、非流动股票、价值股等尤为突出)。(3)在分析预测Beta的经济价值时,作者发现机器学习是唯一能够生成最小方差组合和多空异常组合的事后真正市场中性组合的方法。(4)机器学习组内对比结果表明,与线性回归相比,相互作用和非线性大大提高了预测性能。
文献来源:Vijh M, Chandola D, Tikkiwal V A, et al. Stock closing price prediction using machine learning techniques[J]. Procedia computer science, 2020, 167: 599-606.
推荐原因:由于股票市场具有动态、不可预测和非线性的本质特征,准确预测股票市场收益成为一项非常具有挑战性的任务。随着人工智能的引入和计算能力的提高,程序化预测方法被证明在预测股票价格方面更有效。本文使用人工神经网络和随机森林算法对多个公司次日收盘价进行预测。文中使用股票的开盘价、最高价、最低价和收盘价来创建新的变量,并使用RMSE、MAPE和MBE作为模型评价指标。研究表明,与随机森林相比,人工神经网络对股价的预测效果更好,并得到最佳值RMSE(0.42),MAPE(0.77)和MBE(0.013)。
本文来自微信公众号“量化先行者”,文章版权归原作者所有,内容仅供参考并不构成任何投资及应用建议。