多因子选股模型是量化交易的重要模型之一,也是在我国市场上应用较为广泛的策略模型。多因子模型是以股票的指标数据为基础,通过构建模型的方式实现股票收益预测。本文将AdaBoost算法与多因子模型相结合,构建有效的选股策略,这将进一步促进机器学习算法与多因子选股模型的结合,并且依据构建的选股策略为投资者选股交易提供参考,提高其股票收益。本文以获取更高的股票收益为出发点,利用AdaBoost算法策略进行股票投资,并将其与Logistic算法、随机森林算法下的收益做对比,论证AdaBoost算法策略能够提供更高的股票收益,并且引入印花税等交易成本,通过对比分析证明该算法策略能够帮助中国投资者获得更高的收益。本文主要包括六部分的内容。第一部分对研究背景、研究意义、文献、研究思路以及创新点进行了介绍。第二部分对多因子模型和AdaBoost算法相关理论进行介绍。第三部分进行了因子的介绍和筛选,本文以沪深300股票池包含的股票在2012-2015年间的因子值作为样本进行分析,思路如下:首先采用排序法对因子的有效性进行检验,所涉及的因子包括估值类、资本结构类、成长类和技术类指标,得到有效因子后,对因子间的独立性进行检验,去除相关性大于0.5的因子种类,最终得到市销率、市现率、净利润增长率、10日股票收益和10日移动均线这五个因子。第四部分利用AdaBoost算法策略进行投资,并将AdaBoost算法与Logistic算法、随机森林算法做对比,验证AdaBoost算法能够提供更高的股票收益,思路如下:本文以2012-2015年间每支股票的五个因子值的组合作为AdaBoost算法的训练样本集,利用AdaBoost算法针对一个训练样本训练出多个不同的弱分类器,并通过加权的方式将这些弱分类器组合在一起,最终构成一个强分类器,以此作为选股标准。本文利用训练得到的强分类器,在2016-2019年间进行选股回测,并且与Logistic算法、随机森林算法下的收益率相比较,对比得到AdaBoost算法策略相较于其他算法更具有优越性。第五部分在上一部分的基础上,结合中国股票市场交易相关规则,主要是在交易中设置诸多符合中国市场情况的交易规则,例如印花税、交易佣金等,通过与第四部分的结果进行对比,得到AdaBoost算法在引入交易成本情况下的股票投资策略表现。第六部分对研究的结论、不足和建议进行了总结。数据实验方面,AdaBoost算法策略在2016-2019年间的年化收益率为18.8%,由该算法得到的股票组合表现远优于沪深300指数的表现,超额收益达到16.4%。同时通过与Logistic算法、随机森林算法比较,应用AdaBoost算法的多因子模型年化收益率比这两种算法分别高6%、4.6%,说明AdaBoost算法能够有效提高股票收益率,验证了该算法应用于多因子模型的有效性。实证方面,AdaBoost算法策略的年化收益率为17.2%,仍远高于基准收益。本文创新性的以单层决策树为基础,将AdaBoost算法应用到了多因子模型。本文首先利用单层决策树生成多个弱分类器,然后利用AdaBoost算法进行强化提升,最终生成一个强分类器,利用得到的强分类器可以进行选股分析,然后本文进行了不同算法下收益率的比较和中国股市规则限制下的交易,最终获取了较高的超额收益。但文章中所采用的备选因子为常用因子,并未从整个因子库进行筛选,这在一定程度上限制了该算法得到的收益率。同时对于决策树可能出现的过拟合现象,本文主要通过提高样本标签区分度的方式来解决,并未对其他可行的方法进行探讨。