[发明专利]一种股票选股与交易策略的五因子评估及多策略组合优化方法

说明书

股票选股与交易策略五因子评估及多策略组合优化方法，属于金融大数据分析技术和股票投资领域。现有股票选股与交易策略大多追求于极致的投资收益率或风险控制，而忽略了投资者多维的投资和心理需求，导致投资者对投资策略产生天然的不信任感，严重影响了投资者依据投资策略做出投资决策的效能。本发明通过将投资策略映射为五维因子，解决对各种股票投资策略的动态评估问题；根据投资者需求，通过前端服务器与投资者交互，描述用户画像并将其也映射为五维因子，从而以“黑盒”测试的方式剪除投资策略对投资者的技术壁垒，构建投资者与投资策略间的适配桥梁；采用贪心搜索、skyline搜索的组合构建策略乐高，实现最大化投资收益与投资准确性的优化平衡。

技术领域

本发明涉及金融大数据分析技术和股票投资领域，尤其涉及一种对于股票选股与交易策略的五因子评估及多策略组合优化方法。

背景技术

在大数据时代，投资者都希望能够通过各种技术和方式去挖掘股票价格波动的规律，从而在一定风险承受范围内获得稳定的投资收益。对股票价格波动趋势的预测一直是金融大数据分析领域研究的焦点问题。然而在股票市场中，股票价格的变化受到来自各方面因素的影响，有长期影响股价的因素（如公司基本面情况、国家政策导向等）、有暂时性影响股价的因素（如股票价格的周期性波动），甚至有一些因素对股票价格预测产生干扰，因此需要首先辨识其中对股票价格预测产生重要影响的因素。为此在过去三十年间，产业界和学术界通过研究股票交易、股票价格的变动规律等，并针对不同的实际需求，提出了许多极具价值的股票价格预估与交易策略。

现有的股票价格预估策略主要可分为两大类：基于股票指标的预估策略和基于机器学习、数据挖掘、深度学习等AI技术的预估策略（下简记为基于AI技术的预估策略）。其中，基于股票指标的预估策略主要是通过观察股票指标数值变化与股价波动的协同关系来生成的股票买卖点或区间的预估策略。例如经典指标指数平滑异动平均线(MovingAverage Convergence and Divergence，MACD），通过观察MACD中DIF与DEA交叉的时间窗口股价趋势的变化，形成“MACD金叉买股、死叉卖股”的交易策略。而基于AI技术的预估策略则是将股票历史交易数据注入预设的模型（如logistic regression、SVM、LSTM等）中，通过训练、评估、修正等步骤改进模型对股价趋势预估的准确度，进而形成股票交易策略。例如重庆交通大学的王琼瑶提出了改进 GA-SVM 股票回归预测模型和混合 PSO-SVM 股票回归预测模型对上证指数进行实证，证明改进 GA-SVM 在股票价格预测方面能取得较高的预测精度。卡塔尔大学的 Yousif 等人利用线性时间序列模型与非线性人工神经网络(ANN) 模型，对多哈股票市场进行股票指数预测，建立了多个模型，最终结果表明 ANN 效果是最好的。

然而，对于投资者而言，由于缺乏对于各个策略实现原理的理解，导致各个策略本身成为投资者眼中的“黑盒”，投资者无法根据自身的切实需求来选择最适合的投资策略。此外，单从投资收益的角度看，各策略本身对投资所产生的收益也是随着时间窗口的移动而发生演化，这更加剧了投资者对投资策略如何选择的顾虑。因此，如何分析策略本身所具有的特征属性，进而建立投资者需求与投资策略的适配性，已经成为股票选股与收益最大化等目标的必要技术前件。

发明内容

本发明的目的在于解决对各种股票投资策略的动态评估问题，剪除投资策略对投资者的技术壁垒，进而构建投资者与投资策略间的适配桥梁，因此提供一种股票选股与交易策略的五因子评估方法，并将其制成策略卡供投资者使用，以此为基础，为了进一步提升投资的收益并降低风险，提供一种多策略组合优化方法（下称为“策略乐高”）。

所述的股票选股策略、交易策略为用Python编程语言封装的函数模块，其输入为MySQL数据库中的与股票交易相关的数据（如股票日/周/月交易数据、上市公司财务数据等），输出为筛选的股票列表。

所述的策略卡是将策略封装为一个用五因子评估方法描述的对象，包括：由“进攻力、防御力、激进力、亲和力、生存力”五因子组成的属性，策略的类别属性及策略的时间窗口回测方法。