基于机器学习和资产特征的投资组合选择研究 (Research on portfolio selection based on machine learning and asset characteristics)

李斌,屠雪永.基于机器学习和资产特征的投资组合选择研究[J/OL].系统工程理论与实践:1-27[2023-12-22]. http://kns.cnki.net/kcms/detail/11.2267.N.20231212.1114.002.html.

摘要: 随着可投资资产与资产信息的爆炸式增长,投资组合选择研究面临资产和特征双重高维挑战.为此,本文提出一个基于机器学习和资产特征的投资组合选择框架,该框架借助机器学习技术的天然优势,运用高维特征直接预测投资组合权重,避开了常规的两步投资组合管理范式中的收益预测过程,并用于中国股票市场的资产配置研究.结果显示: (1)基于此框架提出的投资策略能够捕捉高维特征中的增量信息,并挖掘资产特征与投资权重之间线性与非线性关系,大幅提升了投资绩效;(2)交易摩擦类特征是投资权重预测中最为重要的资产特征;(3)策略在套利限制较为严重的股票上回报更高,而对宏观经济状态变化的敏感性较低;在其他经济约束下,策略表现依然稳健.本文拓展了现代投资组合理论的研究框架,促进了人工智能与量化投资领域的交叉融合发展.

关键词:投资组合选择;人工智能;资产特征;大维资产配置;量化投资

1.代码共包含9种策略，简单线性的OLS-AC策略和8种ML-AC策略，分别放在01-09号py脚本中，相互独立；输入数据为：资产特征char和收益ret_clean; 输出数据为：样本外的投资组合权重

2.10号py文件为对非线性策略的投资组合权重的整理；

3.11号py文件基于所得的投资组合权重，计算所有策略的投资绩效，包括收益、标准差、夏普比率等多种指标。

4.数据见百度云链接: https://pan.baidu.com/s/12I_HWhi0hzpr4MeGld1BhQ?pwd=64un 提取码: 64un ； 将char.csv和ret_clean.csv下载后放入data文件夹