基于因子偏离度的GBDT 多因子选股模型

（上海工程技术大学数理与统计学院，上海 201620）

0 引言

实现资产配置的高收益率一直是理论研究和实际生活中的一大重要目标。10 多年来，量化投资成为市场发展的焦点，现阶段中国股市多采用多因子选股模型。

一方面，多因子选股模型可以将基本面因子、技术面因子等多种研究成果应用于选股模型，具有一定包容性，能够较为准确地刻画金融市场运行规律。如国琳等［1］将盈利能力、偿债能力、资产营运能力、成长能力4 方面财务因子运用于股票价格预测，用实证分析说明其研究的实际价值；王淑燕等［2］提出八因子选股模型，用随机森林算法实现对股票涨跌的精确预测；李斌等［3］以19 个技术指标作为输入变量；王云凯等［4］将33 个股票基本面多因子作为输入变量，然后分别用不同的机器学习算法预测股票数日后的涨跌；Donaldson 等［5］验证了多因子模型在印度股票市场的有效性。众多研究表明，通过多因子选股模型选取并构建投资组合无疑是主流投资方式。

另一方面，多因子选股是构建支持向量机、随机森林、神经网络等复杂量化投资模型的基础。如黄志辉［6］研究卷积神经网络在量化选股中的应用，研究对象为沪深300 成分股，证明卷积神经网络是一个有效的量化选股模型；李永康［7］利用Logistic 模型对多因子选股模型进行优化改进，对沪深300 指数成分股进行预测，获得较高的超额收益；邬春学等［8］将大盘走势、K 线、MACD 线、成交量等技术指 标进行 处理，基于SVM 算法预测股票涨跌。……