本篇报告将进行无监督学习方法的介绍。无监督学习方法包括分布估计、因子分析、主成分分析、聚类分析、关联规则和GooglePageRank算法等,本文主要就常用方法分成两类:聚类和降维进行介绍。    实践中,将降维思想运用得炉火纯青的是Barra风险模型。个股和个券都有几十、上百个指标可以辅助分析其收益风险特征,通过降维的方式,Barra提取出若干具有代表性的风险因子,找出了资产背后共同驱动因素,使用这些风险因子即可方便的进行绩效归因、组合风险控制等。降维的具体方法包括因子分析和主成分分析等。本文通过因子分析和主成分分析两种方法,结合常见的股票基本面、财务数据、技术指标等,构建选股策略。与基准相比,策略都能获取一定的超额收益,说明了通过降维提取主要特征能够起到一定的提纯和增强作用。    聚类分析方法基于相似性概念将数据集再划分,形成较小的组,追求组别间差异尽量大而组内的差异尽量小。根据样本数据特征和预期达到的效果,聚类可选择的方式非常多。本文详细介绍了K-Means聚类分析的原理,并且对于几种常见的聚类分析算法:沃德层次聚类、综合层次聚类算法、聚集聚类算法、基于密度的聚类算法、AP聚类算法、谱聚类算法、小批量法等也一一进行简介。在具体应用上,聚类分析可以用做选股前的预处理,通过重要特征将个股分类之后在每个类别中分别进行选股,效果会优于在全样本内选股。此外,聚类分析的可视化也是重要的应用方式之一,通过热图或最小生成树的方式可以直观的描述资产间的相关性,帮助实现投资组合的风险分散。

声明：如本站内容不慎侵犯了您的权益，请联系邮箱：wangshiyuan@epins.cn 我们将迅速删除。