集成学习算法在Alpha策略中的应用研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第9-23页 |
| 第一节 研究背景及研究意义 | 第9-13页 |
| 一、研究背景 | 第9-11页 |
| 二、研究意义 | 第11-13页 |
| 第二节 国内外研究现状 | 第13-19页 |
| 第三节 本文的结构安排和研究思路 | 第19-21页 |
| 一、结构安排 | 第19-20页 |
| 二、研究思路 | 第20-21页 |
| 第四节 创新和研究难点 | 第21-23页 |
| 一、本文创新点 | 第21页 |
| 二、本文研究难点 | 第21-23页 |
| 第二章 Alpha策略和集成算法的相关理论 | 第23-39页 |
| 第一节 有效市场理论 | 第23-25页 |
| 第二节 资产定价模型与Alpha策略 | 第25-30页 |
| 一、资产定价模型(CAPM) | 第25-27页 |
| 二、Alpha策略相关理论 | 第27-30页 |
| 第三节 集成学习算法的相关理论 | 第30-39页 |
| 一、随机森林理论 | 第31-33页 |
| 二、XGBoost算法原理 | 第33-36页 |
| 三、Stacking集成框架理论 | 第36-39页 |
| 第三章 实证分析 | 第39-69页 |
| 第一节 实证环境 | 第39页 |
| 第二节 构建因子池与数据预处理 | 第39-50页 |
| 一、构建因子池 | 第39-42页 |
| 二、数据预处理 | 第42-50页 |
| 第三节 XGBoost算法的参数优化 | 第50-55页 |
| 一、常见XGBoost参数 | 第50-51页 |
| 二、网格搜索法寻优 | 第51-54页 |
| 三、特征变量降维 | 第54-55页 |
| 第四节 构建Stacking集成框架 | 第55-65页 |
| 一、各个分类器分类效果对比 | 第55-59页 |
| 二、模型稳定性分析 | 第59-60页 |
| 三、构建股票组合 | 第60-62页 |
| 四、历史回测业绩评价 | 第62-65页 |
| 第五节 股指期货风险对冲 | 第65-69页 |
| 一、市场上常见的对冲工具 | 第65-66页 |
| 二、确定对冲比例 | 第66-67页 |
| 三、期货合约展期问题 | 第67页 |
| 四、预期牛市与熊市的不同配置 | 第67-69页 |
| 第四章 总结与展望 | 第69-72页 |
| 第一节 主要结论 | 第69-70页 |
| 第二节 投资建议 | 第70页 |
| 第三节 研究的不足与展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 附录 | 第74-79页 |
| 致谢 | 第79-80页 |
