摘要：为了通过短线交易获取对标股票指数的超额收益,提出一种基于机器学习的股票指数增强型量化交易策略,并实现程序化自动交易。首先生成股票指数的初始特征集,通过最大互信息系数法筛选得21维特征;然后设计双阈值涨跌不平衡标签与3种预测分类方式(T、B-B、B-T),组合构建不同机器学习模型,并对比择优得到多空交易方向的最优机器学习模型分别为LSTM-B-T模型与RF-B-T模型;接着设计基于日内涨跌幅的二维伽马函数;最后使用经二维伽马函数计算得到的类概率判别阈值与最优机器学习模型预测的类概率进行涨跌类别判定,得到交易信号。将该策略应用于中证500指数的股指ETF进行回测与模拟盘交易验证,实验结果表明:相较于随机建仓策略,采用该策略使交易评价指标得到整体性提升;在回测与为期3个月的模拟盘交易验证中使用该策略均能获得对标指数的理想超额收益,分别为11.24%、11.08%。

摘要：本文利用最小生成树法构建沪深300成分股网络序列,并从网络中心性视角进行分析,结果显示股票的行业属性和特质性因素均会影响网络中心性,核心股票更可能出现在有色金属、采掘、公用事业、机械设备等产业链中上游的行业。我们分别利用核心股票与边缘股票构建投资组合,发现两种投资组合的收益率均优于市场指数,核心股票组合在市场快速上行期表现优异,边缘股票组合在市场震荡或下行阶段能够获得超额收益。我们认为将两个组合进行等权重投资,可实现指数增强的效果。