【技術實現步驟摘要】
本專利技術涉及量化投資，特別是涉及一種量化投資方法、裝置、設備及存儲介質。
技術介紹
1、股票市場的復雜性要求投資者對投資和財務管理有更高的要求。因此，量化投資引起了廣泛關注，已成為許多投資者金融投資體系中不可或缺的一部分。受益于互聯網技術的進步，相關信息得到了更廣泛的傳播和應用。量化投資作為目前金融領域的一股熱潮，通過結合模型和計算機，實現更高效和更準確地投資決策。
2、在量化投資領域，多因子模型是一種常用的投資策略，多因子模型的理論基礎是根據傳統的線性方法對所選取的因子建立回歸，但它也存在一些缺點，具體包括：
3、(1)因子相關性：多因子模型中使用的因子可能存在相關性，這可能會導致模型中出現冗余信息，并且使模型更容易受到噪音的影響。高度相關的因子可能會導致模型過度集中于某些特定的信號，而忽略其他重要的信號。
4、(2)模型復雜性：多因子模型通常包含大量的因子和參數，這增加了模型的復雜性和計算成本。管理和維護復雜的模型需要更多的資源和技術支持。
技術實現思路
1、本專利技術提供了一種量化投資方法、裝置、設備及存儲介質，解決了現有方法存在的因高度相關的因子導致模型中出現冗余信息以及模型復雜性和計算成本較高的問題。
2、第一方面，本專利技術提供一種量化投資方法，包括以下步驟：
3、實時采集多只股票的價格數據，并根據價格數據獲取不同股票的多個主成分因子數據；
4、以stacking集成學習框架為底層邏輯，在第一層使
5、將不同股票的多個主成分因子數據輸入至指數增強模型，多個決策樹算法在決策樹構建過程中自動生成區分特征，并基于所述區分特征對多個主成分因子數據進行分類，得到分類結果；adaboost算法對多個主成分因子數據的權重進行調整，并再次輸入至多個決策樹算法進行分類迭代；所述分類結果包括真正例和真負例；
6、獲取迭代后的不同股票的最終分類結果，根據最終分類結果選擇多只股票進行買入和賣出投資。
7、優選的，所述根據價格數據獲取不同股票的多個主成分因子數據，包括以下步驟：
8、獲取影響股票價格的基本因素，并基于基本因素構建因子庫；
9、對因子庫中的多個因子進行有效性檢驗、預處理以及單因子測試，得到多個候選因子；所述預處理包括異常值剔除、缺失值填充、標準化處理以及回測測試；
10、對多個候選因子進行主成分分析，得到多個主成分因子。
11、優選的，所述基本因素包括基礎因素和技術因素，所述基礎因素包括經濟性因素、所屬行業因素和業績因素，所述技術因素包括公司技術突破因素和行業技術占比因素，所述因子庫包括多個價量因子、多個財務因子和多個技術因子。
12、優選的，所述根據最終分類結果選擇多只股票進行買入和賣出投資，包括以下步驟：
13、獲取多個最終分類結果的多個f1指標；
14、將多個f1指標由高到低進行排列，將高于設定閾值的多個f1指標對應的股票進行買入和賣出投資。
15、優選的，所述將不同股票的多個主成分因子數據輸入至指數增強模型之前，還包括對指數增強模型的訓練，具體包括以下步驟：
16、采集多只股票價格的歷史數據；
17、根據歷史數據獲取對應的多個主成分因子歷史數據；
18、將不同股票的多個主成分因子歷史數據分為訓練集和測試集，通過訓練集對構建的指數增強模型進行訓練，對模型參數和權重進行優化；
19、通過測試集對訓練后的指數增強模型進行測試。
20、優選的，所述對指數增強模型的訓練過程中，需剔除st股和停牌股。
21、優選的，采用滾動時間窗口的方法定期選擇最新的主成分因子樣本數據并引入指數增強模型進行訓練。
22、第二方面，本專利技術提供一種量化投資裝置，包括：
23、采集模塊，用于實時采集多只股票的價格數據，并根據價格數據獲取不同股票的多個主成分因子數據；
24、構建模塊，用于以stacking集成學習框架為底層邏輯，在第一層使用多個決策樹算法作為基學習器，在第二層使用adaboost算法作為元學習器，構建指數增強模型；
25、輸入模塊，用于將不同股票的多個主成分因子數據輸入至指數增強模型，多個決策樹算法在決策樹構建過程中自動生成區分特征，并基于所述區分特征對多個主成分因子數據進行分類，得到分類結果；adaboost算法對多個主成分因子數據的權重進行調整，并再次輸入至多個決策樹算法進行分類迭代；所述分類結果包括真正例和真負例；
26、投資模塊，用于獲取迭代后的不同股票的最終分類結果，根據最終分類結果選擇多只股票進行買入和賣出投資。
27、第三方面，本專利技術提供一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現上述的量化投資方法。
28、第四方面，本專利技術提供一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現上述的量化投資方法。
29、與現有技術相比，本專利技術的有益效果是：
30、本專利技術基于stacking集成學習框架的底層邏輯，在第一層使用決策樹算法作為基學習器，多個決策樹算法在決策樹構建過程中自動生成區分特征并基于區分特征對多個主成分因子數據進行分類，充分發揮了決策樹算法優秀的學習和特征選擇能力，減少因子冗余，避免高度相關因子對模型的負面影響。在第二層使用復雜程度更低且可以顯著提高模型性能的adaboost算法，adaboost算法會調整樣本權重，關注那些被決策樹錯誤分類的多因子，從而降低因子間相關性的干擾，使模型更加關注重要的因子，從而減少模型的復雜性。
31、決策樹和adaboost可以并行訓練，使得指數增強模型boostedstack?tree能夠提高計算效率，減少計算成本。通過多次迭代訓練弱分類器，adaboost會調整樣本權重進一步減少相關因子對最終模型的負面影響，以此來解決多因子模型中使用的因子可能存在相關性問題，從而避免模型中的冗余信息。
本文檔來自技高網...【技術保護點】
1.一種量化投資方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種量化投資方法，其特征在于，所述根據價格數據獲取不同股票的多個主成分因子數據，包括以下步驟：
3.如權利要求2所述的一種量化投資方法，其特征在于，所述基本因素包括基礎因素和技術因素，所述基礎因素包括經濟性因素、所屬行業因素和業績因素，所述技術因素包括公司技術突破因素和行業技術占比因素，所述因子庫包括多個價量因子、多個財務因子和多個技術因子。
4.如權利要求1所述的一種量化投資方法，其特征在于，所述根據最終分類結果選擇多只股票進行買入和賣出投資，包括以下步驟：
5.如權利要求1所述的一種量化投資方法，其特征在于，所述將不同股票的多個主成分因子數據輸入至指數增強模型之前，還包括對指數增強模型的訓練，具體包括以下步驟：
6.如權利要求5所述的一種量化投資方法，其特征在于，所述對指數增強模型的訓練過程中，需剔除ST股和停牌股。
7.如權利要求1所述的一種量化投資方法，其特征在于，采用滾動時間窗口的方法定期選擇最新的主成分因子樣本數據并引入指數增
8.一種量化投資裝置，其特征在于，包括：
9.一種計算機設備，其特征在于，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現上述權利要求1-7任一所述的量化投資方法。
10.一種計算機可讀存儲介質，其特征在于，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現上述權利要求1-7任一項所述的量化投資方法。
...【技術特征摘要】
1.一種量化投資方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種量化投資方法，其特征在于，所述根據價格數據獲取不同股票的多個主成分因子數據，包括以下步驟：
3.如權利要求2所述的一種量化投資方法，其特征在于，所述基本因素包括基礎因素和技術因素，所述基礎因素包括經濟性因素、所屬行業因素和業績因素，所述技術因素包括公司技術突破因素和行業技術占比因素，所述因子庫包括多個價量因子、多個財務因子和多個技術因子。
4.如權利要求1所述的一種量化投資方法，其特征在于，所述根據最終分類結果選擇多只股票進行買入和賣出投資，包括以下步驟：
5.如權利要求1所述的一種量化投資方法，其特征在于，所述將不同股票的多個主成分因子數據輸入至指數增強模型之前，還包括對...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。