正则稀疏化的多因子量化选股策略

摘要：

针对高维度数据集特征之间的复杂性,而传统的L1惩罚项不满足Oracle性质的无偏性,将逻辑回归弹性网(LR-Elastic Net)中的L1惩罚项替换为SCAD(Smoothly Clipped Absolute Deviation)和MCP(Minimax Concave Penalty)惩罚项,分别构建了LR-SCAD和LR-MCP模型,在保留稀疏性的同时满足了无偏性,并利用ADMM(Alter-nating Direction Method of Multipliers)算法进行求解.通过模拟实验发现,LR-Elastic Net模型能很好地处理特征存在相关性的小样本数据,而LR-SCAD和LR-MCP模型在特征存在相关性的大样本数据中表现较好;建立LR-Elastic Net、LR-SCAD和LR-MCP策略,并应用于沪深300指数成分股数据.回测结果显示,LR-SCAD和LR-MCP策略在股票相关性很强的数据中比LR-Elastic Net策略表现更好.

关键词：弹性网(Elastic Net)、SCAD、MCP、ADMM算法、逻辑回归、多因子选股

所属期刊栏目：57

分类号：O212.1(概率论与数理统计)

资助基金：国家自然科学基金11501055,11801362

在线出版日期：2021-01-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：110-117