典型文献
机器学习驱动的大类资产因子配置研究
文献摘要：
机器学习模型能够有效解决变量间的共线性问题,处理变量间的非线性关系及交互影响,故其预测能力显著高于普通的线性模型.选取2004年1月—2021年12月8个大类资产因子的周数据,构造随机森林模型考察了模型的预测能力、特征的重要性和影响以及所建投资组合的投资绩效.研究结果表明:相对于普通OLS及LASSO模型,随机森林模型的预测能力显著提高;量价特征尤其是动量因子在随机森林模型中的重要性要远高于宏观特征;特征对因变量的影响是非线性的,且特征之间存在着显著的交互作用;随机森林模型构造的投资组合的投资绩效远好于等权重、均值—方差、最小风险、风险平价及趋势投资组合.研究结论是对投资组合理论以及人工智能理论的有益补充,对于投资实践也具有较强的借鉴价值.
文献关键词：
随机森林;资产配置;因子配置
中图分类号：
作者姓名：
周亮;蒋练
作者机构：
湖南财政经济学院财政金融学院,湖南 长沙 410205;湖南师范大学商学院,湖南 长沙 410081
文献出处：
引用格式：
[1]周亮;蒋练-.机器学习驱动的大类资产因子配置研究)[J].金融发展研究,2022(08):55-63
A类：
因子配置
B类：
学习驱动,配置研究,机器学习模型,共线性,处理变量,非线性关系,交互影响,预测能力,线性模型,随机森林模型,投资绩效,OLS,LASSO,动量因子,宏观特征,因变量,模型构造,等权重,小风,平价,投资组合理论,借鉴价值,资产配置
AB值：
0.384432
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
