【新一配】基于机器学习算法价值选股策略

【新一配】基于机器学习算法价值选股策略

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）。

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。

为什么要预测市净率？
首先，市净率本身就是公司估值的一个常用指标，并被Ma和Smith实践证明是企业价值很好的一个度量。其次，市净率这样的指标来自于财务指标，而财务指标通常很长一段时间才发生变化，因此比较稳定。最后，机器学习、深度学习策略被怀疑的很大一个原因就是行情数据信噪比低，因此财务数据信噪比较高，建模更有效。

价值选股策略
我们在11月介绍过J.P.Morgan关于机器学习进行股票