多因子投资模型迭代3
数据清洗与标准化
- 数据清洗方法包括K-Means和DBSCAN聚类，以及Forward Fill、Backward Fill、Linear Interpolation和ARIMA等填充方法。
- 数据标准化处理确保数据一致性。
单因子研究
- 单因子模型包括CAPM、FF3、FF3、ROE、ROE、ROE、TC等。
- 关键因子表现：Range Factor、WAdjCI（3.36%）、Wind（2.32%）、EPS_FY0_Num（17.69%）、IC（-47.00%）、IC（46.36%）。
- IC值分析显示，IC在2016/1/8、2018/1/8、2020/1/8、2022/1/8等时间点的表现分别为-50.00%、-30.00%、-10.00%、10.00%、30.00%、50.00%。
- IC的移动平均分析显示，EPS_FY0_Num与IC的相关性较高。
线性多因子模型
- 模型公式：
Ri = αi + βi * ε。
- 模型包含多个因子和误差项ε。
AI与另类选股模型
- AI模型包括XGBoost、LightGBM、K-means、t-SNE、CNN、RNN/LSTM、Transformer等。
- 特征工程方法包括OpenFE、GBDT、XGBoost、LightGBM、CatBoost等。
- 模型性能比较：ChatGPT4（13.95%）、FinBERT（1.56%）。
- 情感分析示例：股评情感分类显示消极、积极、中性情感分布。
风险模型框架
- 风险模型公式：
βik = f(k) * εik。
- 模型包含多个因子和误差项ε，并通过协方差矩阵Σ进行风险聚合。
投资组合管理
- 投资组合管理公式：
Vi = ∑(i=1 to n) UwifAww。
- 模型通过权重分配和因子组合进行投资组合构建。
核心观点与结论
- 多因子模型通过数据清洗、标准化和单因子研究，识别关键因子并进行模型构建。
- AI模型在选股方面表现优异，ChatGPT4和FinBERT等模型具有较高的预测能力。
- 风险模型和投资组合管理模型通过因子分析和权重分配，实现风险控制和收益优化。
