基于文本先验信息的贷款信用风险评估模型

本文利用现有信用风险研究所蕴含的信息，构建了一个新的贷款信用风险评估模型—PIPL。该模型先通过文本挖掘技术对现有研究进行文本信息搜集，得到关于信用风险指标的先验词频以体现指标的重要性，再通过惩罚变量选择法将先验词频量化为先验因变量，最后基于先验因变量和原始数据构建模型，并通过弹性网筛选风险指标。模拟分析显示PIPL模型能自动识别先验信息的质量，当先验信息质量高时，它赋予先验信息较高的权重，从而改进了指标选择和分类效果，当先验信息质量较低时，它能自动降低先验因变量在模型中的权重，表现出稳健的分类效果。实证分析从知网挖掘123篇文献获取文本信息，并以P2P网贷数据为例，发现PIPL模型通过先验信息提高了分类的准确性，并表现出了良好的稳健性。     

基于Knockoff的分位数回归变量选择方法及其投资组合决策应用

在数据驱动时代,变量选择广泛应用于投资组合,如何从众多资产中挑选恰当的资产并进行配比,对稳定收益、控制风险非常关键。现有选择资产的方法未考虑到控制错误发现率（FDR）,不利于作出稳健的投资决策。为此,本文在Lasso分位数回归下基于Knockoff方法控制FDR,并用于求解条件风险价值（CVaR）投资组合决策模型。其中,用Lasso惩罚实现变量选择,用Knockoff方法通过模仿解释变量的相关结构构造Knockoff变量,将变量选择的FDR控制在给定水平。模型在两步迭代算法下采用线性规划求解,模拟分析从不同的误差分布、变量分布和维度下多角度展开。结果显示,与已有模型相比,基于Knockoff的Lasso分位数回归模型能良好地控制FDR且呈现出最好的预测效果。最后基于上证50指数成分股进行实证分析,利用滚动建模技术进行投资组合决策分析,发现新模型在收益指标和风险指标上均具有一定优势。     

基于Knockoff-Logistic的多因子量化选股研究

在数据驱动时代，如何挖掘金融资产的信息、挑选恰当的资产，对稳定收益、控制风险意义重大。多因子量化模型是选择股票的常用方法，选取最优解释力的因子集合是其主要目的之一。现有因子选择方法没有考虑到控制错误发现率(FDR),不利于构建稳健的投资策略。为此，在Logistic回归的基础上引入Knockoff方法进行因子选择，通过Lasso实现因子选择，利用Knockoff控制变量选择的FDR从而提高准确率。基于所选因子，在Logistic回归下进行股票预测，并与线性判别分析、支持向量机以及随机森林模型的预测结果进行对比。对沪深300指数和中证500指数成分股2007—2020年的数据进行实证研究，采用滑动回归法进行收益预测，并建立季度换仓的投资策略。研究表明，从变量选择上来看，基于Knockoff方法选出的因子所构造的选股模型具有更好的市场表现；从模型对比上来看，Logistic回归预测的投资组合具备高收益、低风险的优势。综合来看，将Knockoff方法引入到多因子选股模型有利于提高因子选择的准确度，对优化资产配置具有参考意义。