基于机器学习预测股票收益率的两步骤M-SV投资组合优化

doi:10.16381/j.cnki.issn1003-207x.2021.2308

摘要/Abstract

摘要：

由于准确预测股票收益序列能够提高投资组合优化模型的表现，相比于传统的计量经济预测模型，机器学习在处理非线性和非平稳特征的问题上更具优势。因此，本文提出了一种基于机器学习方法的两步骤多元化投资组合优化模型。具体而言，该模型包括以下两个步骤：步骤1是股票选择，即通过机器学习方法极端梯度提升法（extreme gradient boosting，XGBoost）、支持向量回归（support vector regression，SVR）、K近邻算法（K-nearest neighbor，KNN）选择具有较高预测收益率的股票，并对模型进行评估和选择。步骤2是投资组合优化，在考虑交易成本、上下界约束的现实约束条件下，采用均值-下半方差（mean semi-variance， M-SV）模型、均值-方差模型和等比例模型确定所选股票的投资比例。最后，以沪深300指数成分股作为研究样本，实证结果表明，XGBoost+M-SV模型在收益和风险指标上均优于其他模型和沪深300指数。

关键词: 均值-下半方差, 旋转算法, 机器学习, 股票收益预测

Abstract:

Since accurately predicting stock return sequences can improve the performance of portfolio optimization models， the results have indicated that machine learning methods have a greater capacity to confront problems with nonlinear， nonstationary charateristics than econometric models. Consequently， a novel two-stage method is proposed for well-diversified portfolio construction based on stock return prediction using machine learning， which includes two stages. To be specific， the purpose of the first stage is to select diversified stocks with high predicted returns， where the returns are predicted by machine learning methods， i.e. eXtreme Gradient Boosting（XGBoost）， support vector regression（SVR）， K-Nearest Neighbor（KNN）， and evaluate and select the model. In the second stage， considering the constraints such as transaction costs and threshold constraints， the predictive results are incorporated into the mean semi-variance （M-SV） model， mean-variance model and equally weighted model to determine optimal portfolio. Finally， using China Securities 300 Index component stocks as study sample， the empirical results demonstrate that the XGBoost+MSV model achieves better results than similar counterparts and market index in terms of return and return-risk metrics.

Key words: mean semi-variance, pivoting algorithm, machine learning, stock price prediction

中图分类号:

O159

张鹏,党世力,黄梅雨,李璟欣. 基于机器学习预测股票收益率的两步骤M-SV投资组合优化[J]. 中国管理科学, 2023, 31(12): 96-106.

Peng ZHANG,Shi-li DANG,Mei-yu HUANG,Jing-xin LI. Two-stage Mean Semi-variance Portfolio Optimization with Stock Return Prediction Using Machine Learning[J]. Chinese Journal of Management Science, 2023, 31(12): 96-106.

图/表 13

表1

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

参考文献 28

1	Markowitz H. Portfolio selection［J］. Journal of Finance，1952，7（1）：77-91.
2	Markowitz H M. Portfolio Selection： Efficient Diversification of Investments ［M］. New York，Wiley： 1959.
3	Zhang Peng， Dang Shili. The weighted lower and upper admissible mean downside semi-variance portfolio selection［J］. International Journal of Fuzzy Systems， 2021，23（6）：1775-1788.
4	姚海祥，姜灵敏，马庆华.不允许买空时的均值-下方风险投资组合选择——基于非参数估计方法［J］.数理统计与管理，2015，34（6）：1077-1086.
	Yao Haixiang， Jiang Lingmin， Ma Qinghua. Mean-downside risk portfolio selection without short selling： based on nonparametric estimation［J］. Journal of Applied Statistics and Management， 2015， 34（6）：1077-1086.
5	Yan Wei， Miao Rong， Li Shurong. Multi-period semi-variance portfolio selection model and numerical solution［J］. Applied Mathematics and Computation， 2007， 194（1）：128-134.
6	张鹏，李影，曾永泉.现实约束下多阶段模糊投资组合的时间一致性策略研究［J］.中国管理科学， 2022. DOI：10.16381/j.cnki.issn1003-207x.2020.1759 . doi: 10.16381/j.cnki.issn1003-207x.2020.1759
	Zhang Peng， Li Ying， Zeng Yongquan. Time-consistent strategy for the multiperiod possibilistic portfolio selection with real constraints［J］. Chinese Journal of Management Science， 2022. DOI：10.16381/j.cnki.issn1003-207x.2020.1759 . doi: 10.16381/j.cnki.issn1003-207x.2020.1759
7	Guerard J B， Markowitz H， Xu Ganlin. Earnings forecasting in a global stock selection model and efficient portfolio construction and management［J］. International Journal of Forecasting. 2015，31（2）：550-560.
8	Wang Wuyu， Li Weizi， Zhang Ning， et al. Portfolio formation with preselection using deep learning from long-term financial data［J］. Expert Systems with Applications. 2020， 143： 113042.
9	Lin Chiming， Huang J J， Gen M， et al. Recurrent neural network for dynamic portfolio selection［J］.Applied Mathematics and Computation， 2006， 175（2）：1139-1146.
10	Thenmozhi M， Sarath Chand G. Forecasting stock returns based on information transmission across global markets using support vector machines［J］. Neural Computing and Applications， 2016， 27（4）：805-824.
11	Krauss C. Deep neural networks， gradient-boosted trees， random forests： statistical arbitrage on the S&P 500［J］. European Journal of Operational Research， 2017（2）： 689-702.
12	Freitas F D， Souza A， Almeida A. Prediction-based portfolio optimization model using neural networks［J］. Neurocomputing， 2009， 72（10-12）：2155-2170.
13	Day M Y， Lin Jianting. Artificial intelligence for ETF market prediction and portfolio optimization［C］//Proceedings of the 2019 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining， Vancouver， Canada， August 27-30， 2019， IEEE， 2019： 1026-1033.
14	Fischer T， Krauss C. Deep learning with long short-term memory networks for financial market predictions［J］. European Journal of Operational Research， 2018， 270（2）： 654-669.
15	Lee S I， Yoo S J. Threshold-based portfolio： the role of the threshold and its applications［J］. Journal of Supercomputing， 2018， 76（10）： 8040-8057.
16	Wong S. Stock price prediction model based on the short-term trending of KNN method［C］//Proceedings of the 2020 7th International Conference on Information Science and Control Engineering， Changsha， China， June 7， 2020， IEEE： 1355-1360.
17	Paiva F D， Cardoso R T N， Hanaoka G P， et al. Decision-making for financial trading： a fusion approach of machine learning and portfolio selection［J］. Expert Systems with Applications， 2019， 115： 635-655.
18	Ayala J， García-Torres M， Noguera J， et al. Technical analysis strategy optimization using a machine learning approach in stock market indices［J］. Knowledge-Based Systems， 2021， 225（6）：107119.
19	Ma Yilin， Han Ruizhu， Wang Weizhong. Portfolio optimization with return prediction using deep learning and machine learning［J］. Expert Systems with Applications. 2021， 165： 113973.
20	Chen T， Guestrin C. XGBoost： a scalable tree boosting system［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， San Francisco， August，13-17， 2016： 785-794.
21	Hongjoong K. Mean-variance portfolio optimization with stock return prediction using XGBoost［J］. Economic Computation and Economic Cybernetics Studies and Research， 2021， 55（4）： 5-20.
22	Chen Wei， Zhang Haoyu， Mehlawat M K， et al. Mean-variance portfolio optimization using machine learning：based stock price prediction［J］. Applied Soft Computing， 2021， 100： 106-943.
23	Cortes C， Vapnik V. Support-vector networks. Mach Learn［J］， 1995， 20（3）：273-297.
24	Pan Jia， Manocha D. Bi-level locality sensitive hashing for k-nearest neighbor computation［C］//Proceedings of the 2012 IEEE 28th International Conference on Data Engineering， Washington D C， America， April 01-05， 2012， IEEE， 2012： 378-389.
25	张鹏. 可计算的投资组合模型与优化方法研究［D］. 武汉：华中科技大学， 2006.
	Zhang Peng. The studying on the models and optimal methods of the computable selection ［D］.Wuhan： Huazhong University of Science and Technology， 2006.
26	Yang Li， Shami A. On hyperparameter optimization of machine learning algorithms： theory and practice［J］. Neurocomputing， 2020， 415： 295-316.
27	张鹏. 不允许卖空情况下均值-方差和均值-VaR投资组合比较研究［J］. 中国管理科学， 2008（4）： 30-35.
	Zhang Peng. The comparison between mean-variance and mean-VaR portfolio models without short sales［J］. Chinese Journal of Management Science， 2008，16（4）：30-35.
28	Ballings M， Van den Poel D， Hespeels N， et al. Evaluating multiple classifiers for stock price direction prediction［J］. Expert Systems with Applications， 2015；42（20）：7046-7056.

模型		MAE	MSE	RMSE	H_R
XGBoost	Mean	0.0295	0.0012	0.0364	50.92%
XGBoost	Std	0.0230	0.0014	0.0241	0.1010
SVR	Mean	0.0340	0.0025	0.0440	47.85%
SVR	Std	0.0190	0.0029	0.0247	0.1126
KNN	Mean	0.0267	0.0014	0.0330	45.05%
KNN	Std	0.0182	0.0017	0.0185	0.0794

[1]	梁墨, 李鸿翔, 张顺明. 基于ST预测的财务困境测度与股票横截面收益[J]. 中国管理科学, 2023, 31(2): 138-149.
[2]	牛东晓,斯琴卓娅,王董禹,许晓敏,张焕粉. 基于数据挖掘的电力装备企业多价值链协同数据预处理方法研究及应用[J]. 中国管理科学, 2023, 31(11): 321-331.
[3]	张键,谢庭玉,彭鹏,王宏伟. 制造业多价值链协同数据空间产品知识属性与销量预测关联性研究[J]. 中国管理科学, 2023, 31(11): 341-348.
[4]	刘德文, 高维和, 闵凉宇. 可读性和吸引性对商品销量的影响——基于电影简介的文本分析[J]. 中国管理科学, 2022, 30(6): 167-177.
[5]	梁超, 魏宇, 马锋, 李霞飞. 我国黄金期货价格波动率预测研究：来自模型缩减方法的新证据[J]. 中国管理科学, 2022, 30(4): 30-41.
[6]	李建斌, 雷鸣颢, 戴宾, 蔡学媛. 考虑促销因素的医药电商平台需求预测研究[J]. 中国管理科学, 2022, 30(12): 120-130.
[7]	袁先智, 赵旻, 刘海洋, 周云鹏, 严诚幸, 石宝峰, 柴娜娜, 林健武, 何诚颖, 马胜, 张千友, 丁晓蔚. 乡村农户贫困状态特征因子筛选与分析框架：兼论我国乡村振兴路径选择[J]. 中国管理科学, 2022, 30(12): 234-244.
[8]	陈凯杰, 唐振鹏, 吴俊传, 张婷婷, 杜晓旭. 贵金属期货价格预测方法及实证研究[J]. 中国管理科学, 2022, 30(12): 245-253.
[9]	董路安, 叶鑫. 基于改进教学式方法的可解释信用风险评价模型构建[J]. 中国管理科学, 2020, 28(9): 45-53.
[10]	张鹏. 不允许卖空情况下均值-方差和均值-VaR投资组合比较研究[J]. 中国管理科学, 2008, 16(4): 30-35.
[11]	张鹏, 张忠桢, 岳超源. 限制性卖空的均值-半绝对偏差投资组合模型及其旋转算法研究[J]. 中国管理科学, 2006, (2): 7-11.