发帖
雷达卡
《基于机器学习的价值投资策略》
原文：《Value Strategies based on Machine Learning》
关键词：价值投资，机器学习 ，盈利，情绪分析
与常规算法预测目标不同，本文选择股票“公允价值”作为预测目标。作者选择37个股票特征作为输入数据，使用由惩罚回归(LASSO)，梯度提升（XGBoost)和线性回归3个模型组成的组合模型，以MSCI国家指数中股票为投资标的，预测股票下个月的“公允价值”——市净率。以预测市净率与当前市净率之差作为“错误定价”的判断依据。在此基础上，然后根据股票盈利能力（以毛利润与资产之比GP/A作为衡量标准）和新闻情绪（以RavenPack公司分析结果-情绪"Sentiment"数值作为衡量标准)依次进行筛选，最终构建多头组合和空头组合。文章末展示了以发达国家股票作为回测标的的策略结果，效果良好。
文章主要结论
本文相对于之前策略研究报告颇有新意，主要研究发现如下：
1.单独使用线性模型，LASSO和XGBoost模型时，XGBoost效果最好。但组合模型效果优于单独使用某种模型。2.选取毛利润(Gross Profit)而不是净资产收益率（ROE）作为盈利能力衡量标准对股票进行筛选，且前者对组合 优化效果优于后者。
3.利用新闻情绪数据构造策略信号，对股票进行筛选，优化组合。
文章主要结构
1.价值投资：重新实现有效利用“价值投资”策略，从2010年以来，包括市净率（P/B）在内的众多价值因子预测能力较弱，多因子策略表现也差强人意。本文将利用机器学习算法，重新实现价值投资策略的有效利用。
2.机器学习：发现“错误定价”信号
本文选取市净率（P/B）作为股票公允价格衡量标准，以MSCI 国家指数中股票为投资标的，选取37个股票特征帮助预测。“错误定价”信号为预测下月市净率与当前市净率之差。交易策略为：买入信号为正（低估值）的股票，卖出信号为负（高估值）的股票。作者详细介绍LASSO模型,XGBoost模型和线性模型（使用最重要的7个特征）的构造方法和结果，结果表明：将3个模型组合起来输出“错误定价”信号对组合优化效果最好。
3.盈利能力：避免价值陷阱
在“错误定价”信号基础上，本文考虑股票市净率反转的可能性：以盈利能力作为主要考虑因素。经过文献调研，作者提出使用毛利润与资产之比（Gross-Profit-to-Assets,GP/A）而不是净资产收益率（ROE）作为衡量盈利能力的标准。作者计算比较分别采用GP/A, ROE, P/B, GP/A+P/B, ROE+P/B作为筛选标准的策略优化效果，最终结果显示GP/A+P/B对策略的优化效果最好。筛选机制为：在需买入的低估值股票中，保留前40%GP/A的股票；在需卖出的高估值股票中，保留后40%GP/A的股票。
4.新闻情绪：不要和潮流逆向而行
本文选择RavenPack新闻情绪数据作为交易策略的补充，建立情绪型号: 选取时间相关性（“Relevance”）数值在70以上的事件，求取月份情绪值。通过计算不同情绪值阈值对组合效果进行验证，确定交易策略为：移除买入组合中情绪值小于-0.3的股票，移除卖出组合中情绪大于0.3的股票。
结束语
作者对发达国家特别是欧洲地区国家股票作策略回测，策略效果良好。
本文是一篇非常好的机器学习策略研究报告，无论是采用“公允价值”作为预测目标，选取GP/A作为盈利能力的衡量，交易策略的层层推进、筛选和优化，逻辑严密的计算验证，都对读者有极大的启发。本文虽然篇幅较长，但层次分明，逻辑清晰，值得仔细阅读、研究和学习。
《量化研究每周精选》每周一期，为大家提精选研报、前沿研究、热门文章等优质内容。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
