第二节 筛选有效因子...................................21
第三节 构建多因子打分法选股模型....................32
第五章 基于 Boosting 算法的因子选股.........................35
第一节 模型构建思路....................................35
第二节 基于 AdaBoost 算法的模型构建.................37
第三节 基于 GBDT 算法的模型构建...............................40
第五章 基于 Boosting算法的因子选股
第一节 模型构建思路
一、基本步骤
基于 Boosting 算法的因子选股模型的基本思路：相比于传统的多因子打分法选股模型，Boosting 算法将 19 个有效因子考虑在内，使用 Boosting 算法对每期的股票池进行筛选，对于分类算法，即对股票上涨或者下跌做一个二分类，由于上一章我们得到 19 个因子的 IC 值都是为负值，因此按照打分法所得到的总分进行升序排序，选择总分排名前 20%的股票和总分排名后 20%的股票，以历史股票因子值数据作为训练集，构建股票池。具体来说，在打分法构建股票组合的时候，月度股票按照打分法所得到的总分升序排列，排名前 20%的样本标签编为1，排名后 20%的样本标签编为 0，剔除掉中间的样本数据。这样一来，所有的样本集都会标上标签，从而转化为一个二分类的问题。基于 Boosting 分类学习算法在训练集上训练，将训练好的模型在测试集上进行预测，选取预测标签为 1中总分值最大的 60 只股票组成多头组合，预测标签为 0 中总分值最小的 60 只股票组成空头组合。
对于回归算法,即对股票收益率做一个非线性回归，选取回归预测值排名前20%的股票和预测值排名后 20%的股票构建股票池。具体为，将股票的 19 个因子作为样本特征，股票的收益率作为样本标签，基于 Boosting 回归学习算法在训练集上训练，将训练好的模型在测试集上预测，选取预测标签最大的 60 只股票组成多头组合，预测标签最小的 60 只股票组成空头组合。
对于训练集和测试集的划分，训练集从 2009 年 1 月开始到 2010 年 12 月所包含的所有样本数据，Boosting 算法用于对训练集进行训练，将拟合好的模型用于对测试集预测，从预测结果中构建多空组合，从 2011 年 1 月开始，以月度对股票进行调仓，每个月的最后一个交易日进行调仓，使用的收益率为月度收益。
第六章 总结与展望
第一节 研究结论
在量化投资领域迅速发展与机器学习技术不断更新的背景之下，无论是个人投资者还是机构投资者，量化投资在投资领域扮演的角色越来越重要。各种各样的量化模型也层出不穷。
本文使用沪深 300 成分股作为研究对象，使用传统的回归法和排序法来筛选有效因子，对得到的有效因子基于打分法构建传统的多因子模型，在模型回测期间策略的收益和风险评价指标表现均优于基准指数。接着，本文对传统的多因子模型分别使用 AdaBoost、GBDT 以及 XGBoost 算法进行优化，得到了如下的结论：
(1) 运用传统的多因子选股模型与 Boosting 类算法优化的多因子选股模型都能够很好地战胜沪深 300 基准指数，同时也说明了这四种模型的有效性与可行性；
(2) 将 Boosting 优化的选股模型与传统的多因子模型比较，可以发现基于Boosting 回归算法优化的选股模型在收益和风险评价指标上都表现得更好；
(3) 对三种 Boosting 优化的选股模型进行对比之后，发现 XGBoost 算法的表现最好，GBDT 其次，AdaBoost 算法表现最差，但他们的表现都优于打分法。
参考文献（略）
