2019 年第 8 期


     机器学习驱动的基本面量化投资研究
                李   斌，    邵新月 ，  李玥阳
   [摘要]   基本面量化投资是近年来金融科技和量化投资研究的新热点。 作为人工智能
的代表性技术，机器学习能够大幅度提高经济学和管理学中预测类研究的效果。 本文系统
性地运用机器学习，来提升基本面量化投资中的股票收益预测模块。 基于 1997 年 1 月至
2018 年 10 月 A 股市场的 96 项异象因子，本文采用预测组合算法、Lasso 回归、岭回归、弹
性网络回归、偏最小二乘回归、支持向量机、梯度提升树、极端梯度提升树、集成神经网络、
深度前馈网络、循环神经网络和长短期记忆网络等 12 种机器学习算法，构建股票收益预
测模型及投资组合。 实证结果显示，机器学习算法能够有效地识别异象因子—超额收益间
的复杂模式，其投资策略能够获得比传统线性算法和所有单因子更好的投资绩效，基于深
度前馈网络预测的多空组合最高能够获得 2.78% 的月度收益。 本文进一步检验了因子在
预测模型中的重要性，发现交易摩擦因子在 A 股 ...