* 本报告来自网络，如有侵权请联系删除
华泰人工智能系列之二十八：基于量价的人工智能选股体系概览
收藏
分享
纠错
价格免费
数据简介
经过华泰金工前期报告的探索，我们认为人工智能模型已经可以很好融入多因子选股模型的因子生成和多因子合成步骤。在多因子模型的信息来源中，量价信息能提供海量的数据，是最适合AI技术运用的领域。本文构建了基于量价信息的全流程人工智能选股体系，主要包含三个步骤：(1) 遗传规划自动挖掘因子；(2) 机器学习模型进行多因子合成；(3) 机器学习模型的可解释性分析。在测试中，该体系能提供独立于传统多因子模型的增量超额收益。
详情描述
华泰人工智能系列之二十八：基于量价的人工智能选股体系概览 本文构建了基于量价的人工智能选股体系并测试其有效性 经过华泰金工前期报告的探索，我们认为人工智能模型已经可以很好融入多因子选股模型的因子生成和多因子合成步骤。在多因子模型的信息来源中，量价信息能提供海量的数据，是最适合AI技术运用的领域。本文构建了基于量价信息的全流程人工智能选股体系，主要包含三个步骤：（1）遗传规划自动挖掘因子；（2）机器学习模型进行多因子合成；（3）机器学习模型的可解释性分析。在测试中，该体系能提供独立于传统多因子模型的增量超额收益。 遗传规划自动挖掘因子——因子的适应度、增量信息和挖掘效率因子是超额收益的来源。遗传规划通过暴力生成+进化的方式，从原始量价数据中挖掘选股因子。该步骤中有三个关键环节：（1）因子适应度的定义，如果以因子的RankIC 作为适应度，则可以挖掘线性因子；如果以因子的互信息为适应度，则可以挖掘非线性因子。非线性因子可能描述了市场中更高维度的规律，如果能利用这种规律，则可能为现有体系提供增量的alpha信息。（2）挖掘增量信息需要引入因子正交化机制，为了避免频繁正交化带来的时间开销，我们提出以残差收益率为预测目标的增量信息挖掘方法。（3）提升因子挖掘的效率需要借助高性能计算的技术。 【更多详情，请下载：华泰人工智能系列之二十八：基于量价的人工智能选股体系概览】
报告预览
*本报告来自网络，如有侵权请联系删除
相关「可视数据」推荐
相关「数据报告」推荐
