广发证券发布《机器学习模型在因子选股上的比较分析》研究报告，系统对比多类别逻辑回归（MLR）、支持向量机（SVM）、随机森林（RF）、极限梯度提升树（XGBoost）和深层神经网络（DNN）五类模型在A股因子选股中的表现。报告基于日频和半月频两类样本训练模式，日频模式每次使用48万个样本，半月频模式每次4.8万个样本。实证结果显示，所有模型均取得显著超额收益；日频模式下DNN模型表现最佳，IC、ICIR、年化对冲收益和夏普比率均最高，但单模型训练耗时超5小时；半月频模式下XGBoost模型效率最优，训练时间接近线性模型。此外，DNN和XGBoost在风格因子上的暴露最小，而RF暴露最大。报告为量化策略开发提供了具体模型选择与训练频率建议，适合量化研究员、金融工程师、投资经理及数据分析师参考。
广发证券发布《机器学习模型在因子选股上的比较分析》研究报告，系统对比多类别逻辑回归（MLR）、支持向量机（SVM）、随机森林（RF）、极限梯度提升树（XGBoost）和深层神经网络（DNN）五类模型在A股因子选股中的表现。报告基于日频和半月频两类样本训练模式，日频模式每次使用48万个样本，半月频模式每次4.8万个样本。实证结果显示，所有模型均取得显著超额收益；日频模式下DNN模型表现最佳，IC、ICIR、年化对冲收益和夏普比率均最高，但单模型训练耗时超5小时；半月频模式下XGBoost模型效率最优，训练时间接近线性模型。此外，DNN和XGBoost在风格因子上的暴露最小，而RF暴露最大。报告为量化策略开发提供了具体模型选择与训练频率建议，适合量化研究员、金融工程师、投资经理及数据分析师参考。
广发证券发布《机器学习模型在因子选股上的比较分析》研究报告，系统对比多类别逻辑回归（MLR）、支持向量机（SVM）、随机森林（RF）、极限梯度提升树（XGBoost）和深层神经网络（DNN）五类模型在A股因子选股中的表现。报告基于日频和半月频两类样本训练模式，日频模式每次使用48万个样本，半月频模式每次4.8万个样本。实证结果显示，所有模型均取得显著超额收益；日频模式下DNN模型表现最佳，IC、ICIR、年化对冲收益和夏普比率均最高，但单模型训练耗时超5小时；半月频模式下XGBoost模型效率最优，训练时间接近线性模型。此外，DNN和XGBoost在风格因子上的暴露最小，而RF暴露最大。报告为量化策略开发提供了具体模型选择与训练频率建议，适合量化研究员、金融工程师、投资经理及数据分析师参考。核心数据:5种机器学习模型;日频样本48万个;DNN模型训练5小时。
本报告由广发证券发布,发布于 2019 年。
覆盖 2019 年,全文约 33。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合量化研究员、金融工程师、投资经理、数据分析师等读者参考。
重点分析了金融投资、因子选股上、比较等议题。