传统步骤:
人工设计因子(市盈率PE、每股收益ESP,每股净资产BVPS,市净率PB,每股净利润NPR)等等
打分法:根据因子直接加权计算的得分,回归法:类似机器学习
选股:根据得分高低选择股票
回测:在历史数据上计算上述选股的超额收益(超越大盘指数的收益,称为alpha,对应的大盘收益称为beta)
上述前三个步骤合起来是一个策略。
AI量化步骤:
人工挑选、设计大量因子,或者选用因子库alpha158、alpha360等
搭建模型,例如LGBT,MLP
构建数据集,包含一段时间的所有股票的上述因子作为X,收益率等作为Y,按照时间划分成训练集、验证集、测试集
在训练集和验证集上训练模型(实际可视为对传统因子权重的自动学习)
利用训练好的模型输出作为打分,用于选股
回测:在历史数据(之前划分的测试集)上计算上述选股的超额收益
上述前五个步骤合起来是一个策略。