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。