استراتژی انتخاب سهام بازار A-GRE بر اساس اثر چرخش و جنگل تصادفی

با توجه به ماهیت تصادفی بازار سهام ، ضبط روند بازار با تجزیه و تحلیل ذهنی سنتی بسیار دشوار است. علاوه بر این ، مدل سازی و پیش بینی استراتژی های کمی سرمایه گذاری آسان نیست. براساس تحقیقات متخصصان و محققان در داخل و خارج از کشور و تأثیر چرخش سبک های بزرگ و کوچک در بازار A-GREA چین ، یک استراتژی انتخاب سهام با ترکیب اثر چرخ و جنگل تصادفی ارائه شده است. اولا ، روند سبک بازار A-Share ، یعنی سبک نسبتاً قوی در بازار بزرگ و کوچک را قضاوت کنید. این استراتژی ابتدا روند سبک بازار A-Share را قضاوت می کند ، سپس از یک مدل انتخاب سهام چند عاملی از طریق Random Forest استفاده می کند تا سهام را در بین سهام تشکیل دهنده شاخص سبک غالب انتخاب کند و سهام منتخب را مطابق با وزن بهینه نمونه کارها خریداری می کندتعیین شده توسط اصل حداقل واریانس. نتایج تجربی نشان می دهد که نرخ سالانه بازده استراتژی در هشت سال از اول ژانویه 2012 تا 1 آوریل 2020 3. 6 ٪ بیشتر از استراتژی تک دور است ، که بسیار بیش از عملکرد شاخص CSI 300 در طی طی آن استهمان دوره

• کلید واژه ها:
• سرمایه گذاری کمی ،
• تغییر سبک سهام کلاه بزرگ و سبک کلاه های کوچک ،
• جنگل های تصادفی ،
• مدل انتخاب سهام چند عاملی ،
• بازار سهمیه

استناد: شوای وانگ ، ژونگیان لی ، جینینون زو ، ژکنین لین ، میرو ژونگ. استراتژی انتخاب سهام از بازار A-Care بر اساس اثر چرخش و جنگل تصادفی [J]. ریاضیات AIMS ، 2020 ، 5 (5): 4563-4580. doi: 10. 3934/Math. 2020293

مقالات مرتبط:

خلاصه

با توجه به ماهیت تصادفی بازار سهام ، ضبط روند بازار با تجزیه و تحلیل ذهنی سنتی بسیار دشوار است. علاوه بر این ، مدل سازی و پیش بینی استراتژی های کمی سرمایه گذاری آسان نیست. براساس تحقیقات متخصصان و محققان در داخل و خارج از کشور و تأثیر چرخش سبک های بزرگ و کوچک در بازار A-GREA چین ، یک استراتژی انتخاب سهام با ترکیب اثر چرخ و جنگل تصادفی ارائه شده است. اولا ، روند سبک بازار A-Share ، یعنی سبک نسبتاً قوی در بازار بزرگ و کوچک را قضاوت کنید. این استراتژی ابتدا روند سبک بازار A-Share را قضاوت می کند ، سپس از یک مدل انتخاب سهام چند عاملی از طریق Random Forest استفاده می کند تا سهام را در بین سهام تشکیل دهنده شاخص سبک غالب انتخاب کند و سهام منتخب را مطابق با وزن بهینه نمونه کارها خریداری می کندتعیین شده توسط اصل حداقل واریانس. نتایج تجربی نشان می دهد که نرخ سالانه بازده استراتژی در هشت سال از اول ژانویه 2012 تا 1 آوریل 2020 3. 6 ٪ بیشتر از استراتژی تک دور است ، که بسیار بیش از عملکرد شاخص CSI 300 در طی طی آن استهمان دوره

منابع

[1]	H. Yuan ، مروری بر استفاده از مدل های داده کاوی در پیش بینی بازار سهام ، Chin. جمع کردنEcon. ، 33 (2017) ، 66-67.
[2]	G. Quigley ، R. Sinquefield ، عملکرد واحد اعتماد به نفس انگلستان ، J. Asset Management. ، 1 (2000) ، 72-92. doi: 10. 1057/palgrave. jam. 2240006
[3]	K. Froot ، M. Teo ، سرمایه گذاری در سبک و سرمایه گذاران نهادی ، J. Financy. مقدارمقعد ، 43 (2008) ، 883-906. doi: 10. 1017/s0022109000014381
[4]	J. Xiao ، Y. X. Wang ، W. Z. Chen ، et al. تحقیقات تجربی در مورد استراتژی حرکت سطح سبک در بازار سهام چین ، امور مالی Econ. ، 03 (2006) ، 23-29.
[5]	Y. R. Guo ، X. L. Wang ، پیش بینی چرخشی بازار سهام بیش از سبک و زیر سبک بر اساس شبکه عصبی BP ، Compute. Simulat. ، 36 (2019) ، 239-242.
[6]	P. S. Mohanram ، با جدا کردن برندگان از بازنده در بین سهام کم کتاب به بازار با استفاده از تجزیه و تحلیل صورتهای مالی ، حساب Rev. گل میخ. ، 10 (2005) ، 133-170. doi: 10. 1007/S11142-005-1526-4
[7]	F. Pan ، مدل انتخاب سهام چند عاملی بر اساس عوامل مؤثر ، شنژن: مرکز تحقیقات اوراق بهادار اضطراب ، (2011) ، 1-21.
[8]	J. B. Guerard Jr. ، H. M. Markowitz ، G. L. Xu ، et al. پیش بینی درآمد در یک مدل جهانی انتخاب سهام و ساخت و مدیریت نمونه کارها کارآمد ، Int. J. پیش بینی ، 31 (2015) ، 550-560. doi: 10. 1016/j. ijforecast. 2014. 10. 003
[9]	V. Demiguel ، A. Martin-utrera ، F. J. Nogales ، et al. چشم انداز معامله در مورد بسیاری از خصوصیات شرکت ، مقاله کار LBS ، 2017.
[10]	S. Kozak ، S. Nagel ، S. Santosh ، et al. کوچک شدن بخش ، J. Financy. Econ. ، 135 (2020) ، 271-292. doi: 10. 1016/j. jfineco. 2019. 06. 008
[11]	L. Khaidem ، S. Saha ، S. R. Dey ، et al. پیش بینی جهت قیمت سهام بورس با استفاده از جنگل تصادفی ، کاربرد. ریاضی. مالی. ، (2016) ، 1-20.
[12]	J. B. Guerard ، R. A. Gillam ، H. Markowitz ، et al. آزمایش اصلاحات داده کاوی در سهام چینی ، رابط ها ، 48 (2018) ، 108-120. doi: 10. 1287/inte. 2017. 0908
[13]	H. فیلیپ ، با استفاده از مدل سازی خودکار و یادگیری ماشین برای پیش بینی بازار سهام و معاملات: ICICT 2018 ، Adv. اینتلسیستمرایانه. ، 2 (2018) ، 767-774.
[14]	Z. F. Dai ، H. Zhu ، پیش بینی بازده سهام از دیدگاه مدل مختلط ، J Pacific-Basin Infinonce. ج. ، (2020) ، 101267.
[15]	Z. F. Dai ، H. T. Zhou ، پیش بینی بازده سهام: روش جمع بندی و روش محدودیت اقتصادی ، پایداری ، 12 (2020) ، 541.
[16]	Z. H. Zhou ، یادگیری ماشین ، انتشارات دانشگاه Tsinghua Bei Jing ، 2016.
[17]	H. M. Markowitz ، Selection Portfolio ، J. Financ. ، 7 (1952) ، 77-91.
[18]	H. M. Markowitz ، انتخاب نمونه کارها: تنوع کارآمد سرمایه گذاری ، جان ویلی و پسران ، نیویورک ، 1959.
[19]	H. M. Markowitz ، تجزیه و تحلیل میانگین واریانس در انتخاب نمونه کارها و بازارهای سرمایه ، ریحان بلکول ، لندن ، 1987.
[20]	J. B. Guerard ، H. M. Markowitz ، G. Xu ، et al. پیش بینی درآمد در یک مدل جهانی انتخاب سهام و ساخت و مدیریت نمونه کارها کارآمد ، Int. J. پیش بینی ، 31 (2015) ، 550-560. doi: 10. 1016/j. ijforecast. 2014. 10. 003
[21]	H. M. Markowitz ، تجزیه و تحلیل بازگرداندن ریسک: تئوری و عمل سرمایه گذاری منطقی ، مک گرایل ، نیویورک ، 2013.
[22]	J. Z. Xu ، تجزیه و تحلیل انتخاب کمی سهام بر اساس مدل چند عاملی ، مالی. نظریهExplorat. ، 3 (2017) ، 30-38.
[23]	H. Zhang ، H. L. Shen ، Y. C. Liu ، et al. تحقیقات در مورد مشکل انتخاب کمی سهام چند عاملی بر اساس شبکه عصبی خود مورد توجه. آمار و مدیریت ریاضی ، 2020. موجود از: https://doi. org/10. 13860/j. cnki. sltj. 20200403-001.