基于机器学习的选股模型及投资组合研究

股票是金融市场重要的组成部分，其变化存在着一定的内在规律，但是也受到多种因素的制约与影响。因此，如何能够选取好的股票进行操作也成为了很多从业者的研究方向。传统的选股策略有两种，一种为多元回归法，其缺点是对于极端值较为敏感，极端值的存在会影响回归结果，另一种是多因子打分法，其缺点是需要人为给定各个因子的权重，主观性对选股结果有很大影响。本文使用基于决策树的Adaboost模型进行选股，并且构建了投资组合的优化模型，有效提升了投资的收益率。本文的主要工作包括：(1) 建立股票特征指标库，选取更能解释模型的特征指标并对其进行有效性分析和相关性分析；(2) 构建基于决策树的Adaboost选股模型，对模型参数进行优化并且对模型的泛化能力进行评估；(3) 对马科维兹的投资组合模型进行改进，提出一种新的投资组合模型，使得能在降低总体风险的同时将投资收益维持在一个相对高的水平。