机器学习模型及智能选股应用( 32 页)

    2020-02-07

机器学习模型及智能选股应用( 32 页)


目录

资管行业的伦理需要“白箱”模型............5

解释机器学习模型的常用方法..........6

模拟数据和机器学习模型.........6

特征重要性.............7

概念.......7

结果.......8

ICE 和PDP ............8

概念.......8

结果.......9

全局代理:SDT.............10

概念.....10

结果.....10

局部代理:LIME............11

概念.....11

结果.....12

SHAP ..........13

概念.....13

结果.....15

揭开XGBoost 选股模型的“黑箱”.............18

XGBoost 选股模型........18

特征重要性...........21

PDP.............21

ICE .....22

全局代理:SDT.............23

局部代理:LIME............24

SHAP ..........26

总结............31

参考文献......32

风险提示......32


图表目录

图表 1: 模型解释方法总结............6

图表2: 模拟因子值构建方式(N(μ,σ)代表均值为μ、标准差为σ 的正态分布)...........6

图表3: 模拟因子值及所属类别(红、白、蓝分别对应上涨、震荡和下跌分类) ..........7

图表4: 模拟因子选股数据集的XGBoost 模型特征重要性........8

图表5: ICE 和PDP 示意图...........8

图表6: 模拟因子选股数据集的XGBoost 模型X3 对应“上涨”类别的ICE 和PDP....9

图表7: 模拟因子选股数据集的XGBoost 模型X2 对应“上涨”类别的ICE 和PDP..10

图表8: 全局代理SDT 示意图.....10

图表9: 模拟因子选股数据集的XGBoost 模型SDT 可视化展示......11

图表10: 局部代理 LIME 示意图1........11

图表11: 局部代理LIME 示意图2........12

图表12: 模拟因子选股数据集的XGBoost 模型第1 条样本的LIME .........13

图表13: 模拟因子选股数据集的XGBoost 模型第50 条样本的LIME .......13

图表14: SHAP 值简单案例........14

图表15: SHAP 值计算实例(X1~X4 四项特征,计算X3 的SHAP 值)...........14

图表16: 模拟因子选股数据集的XGBoost 模型“上涨”类别的|SHAP|均值.....15

图表17: 模拟因子选股数据集的XGBoost 模型“上涨”类别的各样本SHAP 值.......15

图表18: 模拟数据集的XGBoost 模型“上涨”类别X1 的SHAP 值........16

图表19: 模拟数据集的XGBoost 模型“上涨”类别X2 的SHAP 值........16

图表20: 模拟数据集的XGBoost 模型“上涨”类别X3 的SHAP 值........17

图表21: 模拟数据集的XGBoost 模型“上涨”类别X4 的SHAP 值........17

图表22: XGBoost 选股模型净值(月调仓,全A 选股500 中性) ...........18

图表23: XGBoost 选股累计超额收益(月调仓,全A 选股500 中性).............18

图表24: 人工智能选股模型测试流程示意图..........18

图表26: 年度滚动训练示意图.....20

图表27: XGBoost 选股模型和超参数...........20

图表28: XGBoost 选股2019 年模型特征重要性............21

图表29: XGBoost 选股2019 年模型5 个因子PDP.......22

图表30: XGBoost 模型2019 年1 月末截面期ln_capital 因子ICE...........22

图表31: XGBoost 模型2019 年1 月末exp_wgt_return_6m 因子ICE .............22

图表32: XGBoost 模型2019 年1 月末截面期wgt_return_1m 因子ICE...........23

图表33: XGBoost 模型2019 年1 月末截面期bias_turn_1m 因子ICE .............23

图表34: XGBoost 模型2019 年1 月末截面期macd 因子ICE ........23

图表35: XGBoost 选股2019 年模型SDT 可视化展示............24

图表36: XGBoost 选股模型2019 年1 月末截面期预测上涨概率最高个股|LIME|最大的前10 个因子........24

图表37: XGBoost 选股模型2019 年1 月末截面期预测上涨概率最低个股|LIME|最大的前10 个因子........25

图表38: XGBoost 选股模型2019 年2 月实际超额收益最高个股在1 月末截面期|LIME|最大的前10 个因子......25

图表39: XGBoost 选股模型2019 年2 月实际超额收益最低个股在1 月末截面期|LIME|最大的前10 个因子......26

图表40: XGBoost 选股2019 年模型|SHAP|均值...........27

图表41: XGBoost 选股2019 年模型SHAP 值......27

图表42: XGBoost 选股2019 年模型ln_capital 因子SHAP 值........28

图表43: XGBoost 选股2019 年exp_wgt_return_6m 因子SHAP 值........28

图表44: XGBoost 选股2019 年模型wgt_return_1m 因子SHAP 值........28

图表45: XGBoost 选股2019 年模型bias_turn_1m 因子SHAP 值...........28

图表46: XGBoost 选股2019 年模型macd 因子SHAP 值......29

图表47: XGBoost 选股2019 年模型return_12m 因子SHAP 值.....29

图表48: XGBoost 选股2019 年模型rating_change 因子SHAP 值..........29

图表49: XGBoost 选股2019 年模型rating_average 因子SHAP 值........29

图表50: XGBoost 选股2019 年模型DP 因子SHAP 值.........30

图表51: XGBoost 选股2019 年模型SP 因子SHAP 值..........30


[报告关键词]:   机器学习  
合作共赢,共创未来

需要数量经济相关资料和报告?

每年为数千个企事业和个人提供专业化服务;量身定制你需要的数量经济的资料和报告

相信我们!企业客户遍及全球,提供政府部门、生产制造企业、物流企业、快消品行业专业化咨询服务;个人客户可以提供各类经济管理资料、商业计划、PPT、MBA/EMBA论文指导等。

点此填写您的需求

15+年的经验,值得信赖

可以QQ联系我们:896161733;也可以电话:18121118831

**涉及个人信息严格保密,敬请放心

商务服务

可以微信或者电话联系:18121118831

商业计划书

商务文档撰写

提供商业计划书、投资计划书咨询、撰写和指导

点击查看详细

可行性研究报告

商务咨询业务

服务企业、政府和投资者,提供各个产业可行性研究报告撰写和咨询服务

点击查看详细

物流产业园区规划

商务咨询业务

为企业提供物流园区规划咨询,包括市场调研、可行性、总体战略和运营规划等等

点击查看详细

PPT设计制作

商务PPT制作

商业计划书是一份全方位的项目计划,它从企业内部的人员、制度、管理以及企业的产品、营销、市场等各个方面对即将展开的商业项目进行可行性分析(包含论文PPT)。

点击查看详细