[量化学院]价值选股策略——基于机器学习算法

最新推荐文章于 2024-08-10 16:22:35 发布

BigQuant

最新推荐文章于 2024-08-10 16:22:35 发布

阅读量2.9k

点赞数

分类专栏： BigQuant使用引导文章标签：机器学习量化投资人工智能价值选股机器学习算法

本文链接：https://blog.csdn.net/bigquant/article/details/85105056

版权

本文介绍了如何运用机器学习算法预测股票的公允价值，特别是市净率，以实现价值投资策略。通过XGBoost模型预测A股市场的市净率，挖掘低估和高估的股票，回测结果显示年化收益10.27%，最大回撤11.54%。策略借鉴了J.P.Morgan的研究，但针对中国市场的特点进行调整，例如剔除了流通市值和交易量较低的股票。

摘要由CSDN通过智能技术生成

文献回顾

回顾价值策略

价值策略通俗地讲就是买入便宜股票，卖出昂贵股票，思想非常简单和直观。但是实际操作上这非常困难，因为我们没办法直接观察股票的真实价值。投资者可以从不同的视角采用不同的指标来估计股票内在价值。在股票市场中，最传统的方法就是通过会计报表的各个条目得到企业估值，我们可以从资产负债表得到市净率，从利润表得到资产收益率，从现金流量表得到现金流比率。Ma和Smith(2014)在《Sorting through the trash》中提到通过市净率、预测下期资产收益率和股价/现金流这三个指标合成一个综合的“价值”因子，可以显著提升策略表现（MA采取了三个因子Z得分的总和来合成“价值”因子），文末附实现源码，可在人工智能量化投资平台进行实现。

是否可以对公允价值进行建模？

虽然有很多种企业估值方法，2017年8月J.P.Morgan发表了文章《Value Strategies based on Machine Learning》，提出了一种通过大量股票特征来预测公司市净率的统计建模方法。换句话说，作者是通过预测公司市净率，然后与实际市净率进行比较来得到“公允价值”，以便发现哪些被“错误定价”的股票，识别出哪些股票被高估，哪些股票被低估，然后开发出买入低估股票，卖出高估股票的策略。