基于特征换序的SCDF多因子量化选股研究

doi:10.3778/j.issn.1002-8331.2205-0415

摘要/Abstract

摘要： 对深度森林的级联层进行子层再连接，建立了子层连接深度森林（sub-layer connection deep forests，SCDF）的分类算法。级联子层之间通过错误分类信息的传递，使得后续的子层能获得前子层的修正特征，从而有效提升了算法的收敛速度和分类正确率。在深度森林的多粒度扫描部分，利用袋外误差对数据特征的重要性进行排序，使重要性较高的因子可多次参与多粒度扫描，弥补了深度森林多粒度扫描的采样不平衡的缺点，并构建了基于特征换序的SCDF多因子选股模型。实验表明，基于特征换序的SCDF多因子选股模型在2020年1月—2022年1月的沪深300股票的年化收益率为26.47%，累计收益率达到120%，优于深度森林的收益率。

关键词: 深度森林, 特征换序, 子层连接, 多因子选股

Abstract: The sub-layer connection deep forests（SCDF） classification algorithm is developed by extending the sub-layer reconnection of the cascaded layers of the deep forests. By passing the misclassification information between the cascaded sub-layers, the subsequent sub-layers can obtain the corrected features of the previous sub-layers, thus effectively improving the convergence speed and correct classification rate of the algorithm. In the multi-granularity scan structure of deep forest, the importance of data features is ranked using out-of-bag error, so that factors with higher importance can participate in the multi-granularity scan multiple times, compensating for the sampling imbalance of the multi-granularity scan of deep forest. A SCDF multi-factor stock selection model based on feature permutation is constructed. Experiments show that the SCDF multi-factor stock selection model based on feature permutation has an annualised return of 26.47% and a cumulative return of 120% for CSI 300 stocks from January 2020 to January 2022, outperforming the return of deep forest.

Key words: deep forest, feature permutation, sub-layer connection, multi-factor stock selection

王文轩, 李路. 基于特征换序的SCDF多因子量化选股研究[J]. 计算机工程与应用, 2023, 59(16): 305-315.

WANG Wenxuan, LI Lu. Study of Multi-Factor Quantitative Stock Selection Based on SCDF Algorithm with Feature Permutation[J]. Computer Engineering and Applications, 2023, 59(16): 305-315.

参考文献

[1] 曹维凡.基于Boosting算法的股票量化多因子选股研究[D].杭州：浙江工商大学，2021.
CAO W F.Research on stock quantitative multi-factor selection based on boosting algorithm[D].Hangzhou：Zhejiang Gongshang University，2021.
[2] 张虎，沈寒蕾，刘晔诚.基于自注意力神经网络的多因子量化选股问题研究[J].数理统计与管理，2020，39（3）：556-570.
ZHANG H，SHEN H L，LIU Y C.The study on multi-factor quantitative stock selection based on self-attention neural network[J].Jouranl of Applied Statistics and Management，2020，39（3）：556-570.
[3] ZHOU Z H，FENG J.Deep forest[J].arXiv：1702.08835，2017.
[4] 许美莹.深度森林在股指涨跌预测和投资策略中的应用[D].济南：山东大学，2019.
XU M Y.Application of deep forest in stock index trend predicting and investment strategy[D].Jinan：Shandong University，2019.
[5] 薛参观，燕雪峰.基于改进深度森林算法的软件缺陷预测[J].计算机科学，2018，45（8）：160-165.
XUE C G，YAN X F.Software defect prediction based on improved deep forest algorithm[J].Computer Science，2018，45（8）：160-165.
[6] 徐英杰，李国勇，洪文焕.基于多粒度级联多层梯度提升树的选票手写字符识别算法[J].计算机应用，2019，39（S1）：26-30.
XU Y J，LI G Y，HONG W Y.Handwritten character recognition algorithm based on multi-grained cascade multi-layered gradient boosting decision trees[J].Journal of Computer Applications，2019，39（S1）：26-30.
[7] 杜师帅.近红外光谱分类的深度森林方法及应用研究[D].北京：北京邮电大学，2019.
DU S S.Research on method and application of deep forest in near-infrared spectroscopy classification[D].Beijing：Beijing University of Posts and Telecommunications，2019.
[8] WANG H Y.Dense adaptive cascade forest：a densely connected deep ensemble for classification problems[J].arXiv：1804.10885，2018.
[9] YANG L，WU X Z，JIANG Y，et al.Multi-label learning with deep forest[J].arXiv：1911.06557，2019.
[10] 宫振华，王嘉宁，苏翀.一种加权的深度森林算法[J].计算机应用与软件，2019，36（2）：274-278.
GONG Z H，WANG J N，SU C.A weighted deep forest algorithm[J].Computer Applications and Software，2019，36（2）：274-278.
[11] 乔安，毛力，孙俊.基于改进深度森林的小目标检测算法[J].传感器与微系统，2020，39（5）：125-128.
QIAO A，MAO L，SUN J.Small target detection algorithm based on improved deep forest[J].Transducer and Microsystem Technologies，2020，39（5）：125-128.
[12] 周博文，皋军.特征重排序的加权深度森林[J].软件导刊，2021，20（9）：7-13.
ZHOU B W，GAO J.Feature-reordered weighted deep forest[J].Software Guide，2021，20（9）：7-13.
[13] 孟庆晏.基于大量因子的GBDT-SVM多层次选股模型研究[D].广州：华南理工大学，2019.
MENG Q Y.Research on GBDT-SVM multi-level stock selection model based on a large number of factors[D].Guangzhou：South China University of Technology，2019.
[14] 吕凯晨，闫宏飞，陈翀.基于沪深300成分股的量化投资策略研究[J].广西师范大学学报（自然科学版），2019，37（1）：1-12.
LV K C，YAN H F，CHEN C.Quantitative investment strategy based on CSI 300[J].Journal of Guangxi Normal University（Natural Science Edition），2019，37（1）：1-12.
[15] 李斌，邵新月，李玥阳.机器学习驱动的基本面量化投资研究[J].中国工业经济，2019（8）：61-79.
LI B，SHAO X Y，LI Y Y.Research on machine learning driven quantamental investing[J].China Industrial Economics，2019（8）：61-79.
[16] 王伦，李路.基于gcForest的多因子量化选股策略[J].计算机工程与应用，2020，56（15）：86-91.
WANG L，LI L.Multi-factor quantitative stock selection strategy based on gcForest[J].Computer Engineering and Applications，2020，56（15）：86-91.
[17] 李晨阳.基于CNN-LSTM的股票价格预测及量化选股研究[D].西安：西北大学，2021.
LI C Y.Research on stock price prediction and quantitative stock selection based on CNN-LSTM[D].Xi’an：Northwest University，2021.