高清『无码』!因子模型与机器学习

量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据领域的主流自媒体(www.yaocang.net)。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业20W+关注者,连续2年被腾讯云+社区评选为“年度最佳作者”。

量化投资与机器学习公众号独家解读

量化投资与机器学公众号 QIML Insight——深度研读系列 是公众号今年全力打造的一档 深度、前沿、高水准栏目。

公众号遴选了各大期刊前沿论文,按照理解和提炼的方式为读者呈现每篇论文最精华的部分。QIML希望大家能够读到可以成长的量化文章,愿与你共同进步!

今天跟大家分享一篇机器学习用于因子模型的论文,一句话概括文章的内容:

作者首先利用了几类机器学习的模型对多个因子进行降维(或者称为特征提取),再利用处理后的因子结合组合优化Minimum-Variance的框架进行组合构建。

首先,对原始因子处理的模型使用了以下五大类,只有第5种是跟深度学习相关的,为了行文一致性,我们后文都称为机器学习模型。

  • Principal component analysis
  • Sparse principal component analysis
  • Partial least squares
  • Sparse partial least squares
  • Autoencoders

利用以上机器学习模型对因子进行处理后,通过时间序列线性回归计算出因子暴露及特质收益项,再分别得出因子收益的协方差矩阵及特质收益矩阵,并通过这两个风险矩阵结合组合优化模型确定组合权重。

文章内容本身很长,但作者利用滚动窗口把数据分为Training、Validation及Out of Sample,并结合基于Minimum-Variance的损失函数,这个整体的框架及步骤很有借鉴意义。这里把整个框架的步骤梳理出来跟大家分享,其他实证性的内容,请大家参考原论文。

需要注意的是,作者在文中采用的是基于时序的因子模型,也就是说,因子收益是已知的,如Fama-French的因子,因子本身代表组合的收益率。并不是如Barra体系下,截面回归中的因子暴露。所以回归时,求解的是因子暴露。

通过Training的数据求出因子暴露,并利用Training得到的因子暴露、截距及对应的机器学习模型参数,应用到验证数据中求得的风险矩阵。

将验证数据中求得的风险矩阵,放到损失函数里,得到一组参数使用损失函数最小。这里的创新点就是巧妙的结合了训练数据与验证数据及损失函数。这正是我们可以借鉴的部分。

需要 论文的小伙伴,请在公众号后台回复:

MLF

公司名称:营口航盛科技实业有限责任公司